論文の概要: Hierarchical-Hyperplane Kernels for Actively Learning Gaussian Process
Models of Nonstationary Systems
- arxiv url: http://arxiv.org/abs/2303.10022v1
- Date: Fri, 17 Mar 2023 14:50:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 14:15:13.144033
- Title: Hierarchical-Hyperplane Kernels for Actively Learning Gaussian Process
Models of Nonstationary Systems
- Title（参考訳）: 非定常系のガウス過程モデルを積極的に学習するための階層超平面カーネル
- Authors: Matthias Bitzer, Mona Meister, Christoph Zimmer
- Abstract要約: グラデーションベースの手法で学習可能なパーティショニングを組み込んだカーネルファミリーを提案する。
各種能動的学習課題における優れた性能を実証的に示す。
- 参考スコア（独自算出の注目度）: 5.1672267755831705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning precise surrogate models of complex computer simulations and
physical machines often require long-lasting or expensive experiments.
Furthermore, the modeled physical dependencies exhibit nonlinear and
nonstationary behavior. Machine learning methods that are used to produce the
surrogate model should therefore address these problems by providing a scheme
to keep the number of queries small, e.g. by using active learning and be able
to capture the nonlinear and nonstationary properties of the system. One way of
modeling the nonstationarity is to induce input-partitioning, a principle that
has proven to be advantageous in active learning for Gaussian processes.
However, these methods either assume a known partitioning, need to introduce
complex sampling schemes or rely on very simple geometries. In this work, we
present a simple, yet powerful kernel family that incorporates a partitioning
that: i) is learnable via gradient-based methods, ii) uses a geometry that is
more flexible than previous ones, while still being applicable in the low data
regime. Thus, it provides a good prior for active learning procedures. We
empirically demonstrate excellent performance on various active learning tasks.
- Abstract（参考訳）: 複雑なコンピュータシミュレーションと物理マシンの正確なサロゲートモデルを学ぶには、しばしば長期間または高価な実験を必要とする。
さらに、モデル化された物理的依存関係は非線形および非定常挙動を示す。
したがって、サロゲートモデルを生成するために使用される機械学習手法は、例えばアクティブラーニングを用いてクエリ数を小さく抑え、システムの非線形および非定常特性をキャプチャできるスキームを提供することによって、これらの問題に対処する必要がある。
非定常性のモデル化の1つの方法は、ガウス過程のアクティブ学習において有利であることが証明された入出力を誘導することである。
しかし、これらの手法は既知の分割を仮定するか、複雑なサンプリングスキームを導入するか、非常に単純なジオメトリに依存する。
本稿では,分割処理を組み込んだ,シンプルだが強力なカーネルファミリーを紹介する。
一 勾配に基づく方法により学習することができる。
ii) 従来よりも柔軟な幾何学を使用しながら,低データ方式にも適用可能であること。
したがって、アクティブな学習手順に十分な事前を提供する。
我々は様々なアクティブラーニングタスクにおいて優れた性能を示す。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Active Learning for Control-Oriented Identification of Nonlinear Systems [26.231260751633307]
本稿では,非線形力学の一般クラスに適した能動学習アルゴリズムの最初の有限サンプル解析について述べる。
ある設定では、アルゴリズムの過剰な制御コストは、対数係数まで、最適な速度を達成する。
我々は,非線形システムの制御におけるアクティブな制御指向探索の利点を示すとともに,シミュレーションにおける我々のアプローチを検証する。
論文 参考訳（メタデータ） (2024-04-13T15:40:39Z) - Tensor Decompositions Meet Control Theory: Learning General Mixtures of
Linear Dynamical Systems [19.47235707806519]
テンソル分解に基づく線形力学系の混合を学習するための新しいアプローチを提案する。
このアルゴリズムは, 成分の分離条件が強くないまま成功し, 軌道のベイズ最適クラスタリングと競合することができる。
論文 参考訳（メタデータ） (2023-07-13T03:00:01Z) - Learning non-stationary and discontinuous functions using clustering,
classification and Gaussian process modelling [0.0]
非滑らかな関数の近似に対する3段階のアプローチを提案する。
この考え方は、システムの局所的な振る舞いや体制に従って空間を分割し、局所的なサロゲートを構築することである。
本手法は, 引張膜構造の2つの解析関数と有限要素モデルを用いて検証し, 検証した。
論文 参考訳（メタデータ） (2022-11-30T11:11:56Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - Agnostic Physics-Driven Deep Learning [82.89993762912795]
この研究は、物理系が勾配計算を使わずに統計的勾配学習を行えることを証明している。
Aeqpropでは、システムの詳細を知る必要はなく、プロシージャは外部操作に基づいている。
Aeqpropはまた、自然(生物)物理系において、真の勾配に基づく統計学習は、一般的な比較的単純なメカニズムによってもたらされることを証明している。
論文 参考訳（メタデータ） (2022-05-30T12:02:53Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Learning Unstable Dynamics with One Minute of Data: A
Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。
9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文 参考訳（メタデータ） (2021-03-08T05:08:47Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z) - Active Learning for Gaussian Process Considering Uncertainties with
Application to Shape Control of Composite Fuselage [7.358477502214471]
ガウス過程に不確実性のある2つの新しい能動学習アルゴリズムを提案する。
提案手法は不確実性の影響を取り入れ,予測性能の向上を実現する。
本手法は, 複合胴体の自動形状制御における予測モデルの改善に応用されている。
論文 参考訳（メタデータ） (2020-04-23T02:04:53Z)
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。