論文の概要: Combining Slow and Fast: Complementary Filtering for Dynamics Learning
- arxiv url: http://arxiv.org/abs/2302.13754v1
- Date: Mon, 27 Feb 2023 13:32:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 15:37:54.732842
- Title: Combining Slow and Fast: Complementary Filtering for Dynamics Learning
- Title（参考訳）: slowとfastを組み合わせる:動的学習のための補完的フィルタリング
- Authors: Katharina Ensinger, Sebastian Ziesche, Barbara Rakitsch, Michael
Tiemann, Sebastian Trimpe
- Abstract要約: 本研究では,動的モデル学習に対する学習に基づくモデル学習手法を提案する。
また,さらに物理ベースのシミュレータを必要とするハイブリッドモデルを提案する。
- 参考スコア（独自算出の注目度）: 9.11991227308599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling an unknown dynamical system is crucial in order to predict the
future behavior of the system. A standard approach is training recurrent models
on measurement data. While these models typically provide exact short-term
predictions, accumulating errors yield deteriorated long-term behavior. In
contrast, models with reliable long-term predictions can often be obtained,
either by training a robust but less detailed model, or by leveraging
physics-based simulations. In both cases, inaccuracies in the models yield a
lack of short-time details. Thus, different models with contrastive properties
on different time horizons are available. This observation immediately raises
the question: Can we obtain predictions that combine the best of both worlds?
Inspired by sensor fusion tasks, we interpret the problem in the frequency
domain and leverage classical methods from signal processing, in particular
complementary filters. This filtering technique combines two signals by
applying a high-pass filter to one signal, and low-pass filtering the other.
Essentially, the high-pass filter extracts high-frequencies, whereas the
low-pass filter extracts low frequencies. Applying this concept to dynamics
model learning enables the construction of models that yield accurate long- and
short-term predictions. Here, we propose two methods, one being purely
learning-based and the other one being a hybrid model that requires an
additional physics-based simulator.
- Abstract（参考訳）: 未知の力学系のモデリングは、システムの将来の振る舞いを予測するために重要である。
標準的なアプローチは、測定データに対するリカレントモデルのトレーニングである。
これらのモデルは通常、正確な短期的予測を提供するが、誤りを蓄積すると長期的行動が悪化する。
対照的に、信頼できる長期予測を持つモデルは、堅牢だが詳細でないモデルをトレーニングしたり、物理学に基づくシミュレーションを活用することによって、しばしば得られる。
どちらの場合も、モデルの不正確さは短時間の詳細の欠如をもたらす。
したがって、異なる時間軸上の対照的な性質を持つ異なるモデルが利用可能である。
この観察はすぐに疑問を提起する: 両方の世界のベストを組み合わせるような予測を得られるか?
センサ融合課題に触発されて,周波数領域における問題を解釈し,信号処理,特に補完フィルタから古典的手法を活用する。
このフィルタリング技術は、一方の信号にハイパスフィルタを適用し、もう一方の信号にローパスフィルタを適用することによって、2つの信号を組み合わせる。
基本的に、高域通過フィルタは高頻度を抽出し、低域通過フィルタは低周波数を抽出する。
この概念を動的モデル学習に適用することにより、正確な長期的および短期的な予測をもたらすモデルの構築が可能になる。
本稿では,純粋学習ベースと物理ベースのシミュレータを必要とするハイブリッドモデルという2つの手法を提案する。
関連論文リスト
- Multi-Step Embed to Control: A Novel Deep Learning-based Approach for Surrogate Modelling in Reservoir Simulation [0.0]
縮小次数モデル(英: Reduced-order model)またはプロキシモデル(英: proxy model)またはサロゲートモデル(英: surrogate model)は、完全な記述モデルとは対照的に計算コストの低い近似モデルである。
本稿では,長期予測性能を向上したプロキシモデル構築のための,多段階組込み制御モデルと呼ばれる深層学習に基づく代理モデルを提案する。
論文 参考訳（メタデータ） (2024-09-16T01:35:34Z) - A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Non-parametric generalized linear model [7.936841911281107]
統計神経科学の基本的な問題は、ニューロンが電気生理学的記録を分析して情報をエンコードする方法をモデル化することである。
人気があり広く使われているアプローチは、スパイク列車を自動回帰ポイントプロセスモデルに適合させることである。
実際には、フィルターをパラメータ化するためには、十分にリッチだが小さな時間基底関数のアンサンブルを選択する必要がある。
論文 参考訳（メタデータ） (2020-09-02T21:54:53Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z) - Combining data assimilation and machine learning to emulate a dynamical
model from sparse and noisy observations: a case study with the Lorenz 96
model [0.0]
この方法は、アンサンブルカルマンフィルタとニューラルネットワークを反復的にデータ同化ステップで適用することで構成される。
データ同化は、代理モデルとスパースデータとを最適に組み合わせるために用いられる。
出力分析は空間的に完全であり、サロゲートモデルを更新するためのニューラルネットワークによるトレーニングセットとして使用される。
カオス的な40変数Lorenz 96モデルを用いて数値実験を行い、提案手法の収束と統計的スキルの両立を証明した。
論文 参考訳（メタデータ） (2020-01-06T12:26:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。