Fugu-MT 論文翻訳(概要): Graph Kalman Filters

論文の概要: Graph Kalman Filters

arxiv url: http://arxiv.org/abs/2303.12021v2
Date: Tue, 20 Jun 2023 14:35:14 GMT
ステータス: 処理完了
システム内更新日: 2023-06-22 03:09:34.493387
Title: Graph Kalman Filters
Title（参考訳）: グラフカルマンフィルタ
Authors: Cesare Alippi and Daniele Zambon
Abstract要約: 本稿では、カルマンフィルタを、入力、状態、出力が属性グラフとして表される離散時間設定に一般化する。提案する理論的枠組みでは、未知の状態遷移と読み出し関数は、下流予測タスクとともにエンドツーエンドに学習される。
参考スコア（独自算出の注目度）: 19.407150082045636
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The well-known Kalman filters model dynamical systems by relying on state-space representations with the next state updated, and its uncertainty controlled, by fresh information associated with newly observed system outputs. This paper generalizes, for the first time in the literature, Kalman and extended Kalman filters to discrete-time settings where inputs, states, and outputs are represented as attributed graphs whose topology and attributes can change with time. The setup allows us to adapt the framework to cases where the output is a vector or a scalar too (node/graph level tasks). Within the proposed theoretical framework, the unknown state-transition and the readout functions are learned end-to-end along with the downstream prediction task.
Abstract（参考訳）: 有名なカルマンフィルタは、次の状態が更新された状態空間表現に依存し、その不確実性は、新たに観測されたシステム出力に関連する新しい情報によって制御される。本稿では、カルマンフィルタと拡張カルマンフィルタを、入力、状態、出力が時間とともに変化可能な属性グラフとして表される離散時間設定に一般化する。この設定により、アウトプットがベクトルかスカラー(ノード/グラフレベルタスク)である場合にもフレームワークを適用することができます。提案する理論的枠組みでは、未知の状態遷移と読み出し関数が下流予測タスクとともにエンドツーエンドに学習される。

関連論文リスト

Uncertainty Representations in State-Space Layers for Deep Reinforcement Learning under Partial Observability [59.758009422067]
線形状態空間モデルにおいて閉形式ガウス推論を行う独立なカルマンフィルタ層を提案する。効率的な線形リカレント層と同様に、Kalmanフィルタ層は並列スキャンを使用してシーケンシャルデータを処理している。実験により、不確実性推論が意思決定の鍵となる問題においてカルマンフィルタ層が優れており、他のステートフルモデルよりも優れていることが示された。
論文参考訳（メタデータ） (2024-09-25T11:22:29Z)
Online Graph Filtering Over Expanding Graphs [14.594691605523005]
オンライン学習の原則に依存するオンライングラフフィルタリングフレームワークを提案する。このような進化に適応した学習者を含む、トポロジが知られ、未知のシナリオのためのフィルタを設計する。我々は,オンラインアルゴリズムやフィルタ順序,成長するグラフモデルなど,さまざまなコンポーネントが果たす役割を強調するために,後悔の意を表す分析を行う。
論文参考訳（メタデータ） (2024-09-11T11:50:16Z)
Learning Optimal Filters Using Variational Inference [0.3749861135832072]
本稿では,パラメータ化解析マップを学習するためのフレームワークを提案する。この手法は線形および非線形力学系をフィルタリングするゲイン行列の学習に利用できることを示す。今後、このフレームワークを新しいフィルタリングアルゴリズムの学習に適用する予定である。
論文参考訳（メタデータ） (2024-06-26T04:51:14Z)
Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
論文参考訳（メタデータ） (2024-05-27T13:36:50Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Deep Gaussian Markov Random Fields for Graph-Structured Dynamical Systems [0.0]
グラフ構造化状態空間モデルにおける状態推定と学習の原理的アプローチを開発する。簡単な空間グラフ層と時間グラフ層によって定義されるディープGMRFとしてグラフ構造化状態空間モデルを再構成する。
論文参考訳（メタデータ） (2023-06-14T11:37:12Z)
Asynchronously Trained Distributed Topographic Maps [0.0]
分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
論文参考訳（メタデータ） (2023-01-20T01:15:56Z)
Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文参考訳（メタデータ） (2021-10-06T16:08:44Z)
KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文参考訳（メタデータ） (2021-07-21T12:26:46Z)
Stability to Deformations of Manifold Filters and Manifold Neural Networks [89.53585099149973]
本論文は、多様体(M)畳み込みフィルタとニューラルネットワーク(NN)を定義し、研究する。この論文の主な技術的貢献は、多様体の滑らかな変形に対する多様体フィルタとMNNの安定性を分析することである。
論文参考訳（メタデータ） (2021-06-07T15:41:03Z)
Online Learning of the Kalman Filter with Logarithmic Regret [2.0305676256390934]
高い確率で$mathrmpolylog(N)$の順序を後悔することは可能であり、$N$は収集された観測数である。これは、将来の観測と過去の観測との概ね線形関係を利用するオンラインの最小二乗アルゴリズムを用いて達成される。
論文参考訳（メタデータ） (2020-02-12T18:31:31Z)

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。