論文の概要: Propagating Kernel Ambiguity Sets in Nonlinear Data-driven Dynamics
Models
- arxiv url: http://arxiv.org/abs/2304.14057v1
- Date: Thu, 27 Apr 2023 09:38:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 13:58:07.082974
- Title: Propagating Kernel Ambiguity Sets in Nonlinear Data-driven Dynamics
Models
- Title(参考訳): 非線形データ駆動ダイナミクスモデルにおけるカーネル曖昧性集合の伝播
- Authors: Jia-Jie Zhu
- Abstract要約: 非線形データ駆動力学系モデルを考えると、複数のステップで曖昧性セットを前進させるにはどうすればよいのか?
この問題は、データ分散シフトの下で、そのような学習システムモデルの分散ロバストな制御と学習に基づく制御を解決する鍵となる。
そこで我々は,カーネルの最大平均誤差幾何学を用いて,コオプマン演算子とCMEを用いた非線形データ駆動モデルを用いて曖昧性集合を正確に伝播するアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 3.743859059772078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper provides answers to an open problem: given a nonlinear data-driven
dynamical system model, e.g., kernel conditional mean embedding (CME) and
Koopman operator, how can one propagate the ambiguity sets forward for multiple
steps? This problem is the key to solving distributionally robust control and
learning-based control of such learned system models under a data-distribution
shift. Different from previous works that use either static ambiguity sets,
e.g., fixed Wasserstein balls, or dynamic ambiguity sets under known piece-wise
linear (or affine) dynamics, we propose an algorithm that exactly propagates
ambiguity sets through nonlinear data-driven models using the Koopman operator
and CME, via the kernel maximum mean discrepancy geometry. Through both
theoretical and numerical analysis, we show that our kernel ambiguity sets are
the natural geometric structure for the learned data-driven dynamical system
models.
- Abstract(参考訳): 例えば、カーネル条件付き平均埋め込み(CME)やクープマン演算子のような非線形データ駆動力学系モデルを考えると、複数のステップに対して曖昧性集合をどう伝播させるのか?
この問題は、データ分散シフトの下で、そのような学習システムモデルの分散ロバストな制御と学習に基づく制御を解決する鍵となる。
静的な曖昧性集合、例えば固定されたワッサースタイン球体や既知の区分線形(あるいはアフィン)力学の下で動的曖昧性集合を使用する以前の作品とは異なり、コオプマン作用素とcmeを用いて非線形データ駆動モデルを通じて、カーネルの最大平均偏差幾何学を介して、曖昧性集合を正確に伝播するアルゴリズムを提案する。
理論と数値解析の両方を通して、我々の核曖昧性集合は学習データ駆動力学系モデルの自然な幾何学的構造であることを示した。
関連論文リスト
- No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。
最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。
私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
論文 参考訳(メタデータ) (2025-01-30T18:36:48Z) - Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。
提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
論文 参考訳(メタデータ) (2024-10-02T23:00:00Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳(メタデータ) (2023-05-28T06:30:29Z) - A graph convolutional autoencoder approach to model order reduction for
parametrized PDEs [0.8192907805418583]
本稿では,グラフ畳み込みオートエンコーダ(GCA-ROM)に基づく非線形モデルオーダー削減のためのフレームワークを提案する。
我々は、GNNを利用して、圧縮された多様体を符号化し、パラメタライズされたPDEの高速な評価を可能にする、非侵襲的でデータ駆動の非線形還元手法を開発した。
論文 参考訳(メタデータ) (2023-05-15T12:01:22Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - $Φ$-DVAE: Physics-Informed Dynamical Variational Autoencoders for Unstructured Data Assimilation [3.2873782624127843]
物理インフォームドな動的変分オートエンコーダ(Phi$-DVAE)を開発し、様々なデータストリームを時間進化物理系に埋め込む。
我々の手法は、非構造化データを潜在力学系に同化するために、潜在状態空間モデルのための標準的な非線形フィルタとVOEを組み合わせたものである。
変分ベイズフレームワークは、符号化、潜時状態、未知のシステムパラメータの合同推定に使用される。
論文 参考訳(メタデータ) (2022-09-30T17:34:48Z) - Data-driven Control of Agent-based Models: an Equation/Variable-free
Machine Learning Approach [0.0]
複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。
提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM))
創発力学の数値分岐解析を行うために方程式のない手法を用いる。
我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
論文 参考訳(メタデータ) (2022-07-12T18:16:22Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳(メタデータ) (2022-02-25T20:00:56Z) - Estimating Koopman operators for nonlinear dynamical systems: a
nonparametric approach [77.77696851397539]
Koopman演算子は非線形系の線形記述を可能にする数学的ツールである。
本稿では,その核となる部分を同一フレームワークのデュアルバージョンとして捉え,それらをカーネルフレームワークに組み込む。
カーネルメソッドとKoopman演算子との強力なリンクを確立し、Kernel関数を通じて後者を推定する。
論文 参考訳(メタデータ) (2021-03-25T11:08:26Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Variational Inference and Learning of Piecewise-linear Dynamical Systems [33.23231229260119]
本稿では,線形力学系の変分近似を提案する。
モデルパラメータは静的パラメータと動的パラメータの2つの集合に分割でき、元のパラメータは線形モードの数やスイッチング変数の状態の数とともにオフラインで推定できることを示す。
論文 参考訳(メタデータ) (2020-06-02T14:40:35Z)
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。