論文の概要: Data-Driven Model Discrimination of Switched Nonlinear Systems with
Temporal Logic Inference
- arxiv url: http://arxiv.org/abs/2306.09966v1
- Date: Fri, 16 Jun 2023 16:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 12:52:02.582981
- Title: Data-Driven Model Discrimination of Switched Nonlinear Systems with
Temporal Logic Inference
- Title（参考訳）: 時間論理推論を用いた切り換え非線形系のデータ駆動モデル判別
- Authors: Zeyuan Jin, Nasim Baharisangari, Zhe Xu, and Sze Zheng Yong
- Abstract要約: 本稿では,未知の線形時間論理(LTL)仕様を持つ未知の切替系に対するデータ駆動型モデル判別の問題に対処する。
本稿では、未知の力学を過度に近似し、未知の仕様を推測するためのデータ駆動手法を提案する。
本稿では,モデル判別アルゴリズムの計算効率を向上させるために,推論仕様のサイズを小さくする手法を提案する。
- 参考スコア（独自算出の注目度）: 6.223706393536335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the problem of data-driven model discrimination for
unknown switched systems with unknown linear temporal logic (LTL)
specifications, representing tasks, that govern their mode sequences, where
only sampled data of the unknown dynamics and tasks are available. To tackle
this problem, we propose data-driven methods to over-approximate the unknown
dynamics and to infer the unknown specifications such that both set-membership
models of the unknown dynamics and LTL formulas are guaranteed to include the
ground truth model and specification/task. Moreover, we present an
optimization-based algorithm for analyzing the distinguishability of a set of
learned/inferred model-task pairs as well as a model discrimination algorithm
for ruling out model-task pairs from this set that are inconsistent with new
observations at run time. Further, we present an approach for reducing the size
of inferred specifications to increase the computational efficiency of the
model discrimination algorithms.
- Abstract（参考訳）: 本稿では,未知の線形時相論理(ltl)仕様を持つ未知のスイッチングシステムにおいて,未知のダイナミクスとタスクのサンプルデータのみが使用可能なモードシーケンスを管理するタスクを表すデータ駆動型モデル識別の問題に対処する。
この問題を解決するために,未知のダイナミクスを近似し,未知のダイナミクスのセットメンバーシップモデルとltl式の両方が基底真理モデルと仕様/タスクを含むことが保証されるような未知の仕様を推定するデータ駆動手法を提案する。
さらに、学習/推論されたモデルとタスクのペアの区別可能性を分析する最適化アルゴリズムと、実行時の新しい観測と矛盾しないこのセットからモデルとタスクのペアを除外するモデル判別アルゴリズムを提案する。
さらに,モデル判別アルゴリズムの計算効率を向上させるために,推測仕様のサイズを小さくする手法を提案する。
関連論文リスト
- 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) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Propagating Kernel Ambiguity Sets in Nonlinear Data-driven Dynamics
Models [3.743859059772078]
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。
論文 参考訳（メタデータ） (2023-04-27T09:38:49Z) - Robust identification of non-autonomous dynamical systems using
stochastic dynamics models [0.0]
本稿では, 非線形・非線形非自律系における雑音・スパースデータからのシステム識別(ID)の問題について考察する。
隠れマルコフモデル学習のためのベイズ式から導かれる目的関数を提案し,解析する。
提案手法は,システムIDに適合するスムーズさと本質的な正規化を改善したことを示す。
論文 参考訳（メタデータ） (2022-12-20T16:36:23Z) - $Φ$-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$-DVAE)を開発し、様々なデータストリームを時間進化物理系に埋め込む。
我々の手法は、非構造化データを潜在力学系に同化するために、潜在状態空間モデルのための標準的な非線形フィルタとVOEを組み合わせたものである。
変分ベイズフレームワークは、符号化、潜時状態、未知のシステムパラメータの合同推定に使用される。
論文 参考訳（メタデータ） (2022-09-30T17:34:48Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Learning Mixtures of Linear Dynamical Systems [94.49754087817931]
そこで我々は,2段階のメタアルゴリズムを開発し,各基底構造LPSモデルを誤り$tildeO(sqrtd/T)$.sqrtd/T)まで効率的に復元する。
提案手法の有効性を検証し,数値実験による理論的研究を検証する。
論文 参考訳（メタデータ） (2022-01-26T22:26:01Z) - A Framework for Machine Learning of Model Error in Dynamical Systems [7.384376731453594]
データから動的システムを特定するために,機械的アプローチと機械学習アプローチを混在させる統一フレームワークを提案する。
モデルエラーがメモリレスであり、大きなメモリを持つ問題に対して、連続時間と離散時間の両方で問題を提起した。
ハイブリッド手法は、データ飢餓、モデルの複雑さの要求、全体的な予測性能において、データ駆動アプローチよりも大幅に優れています。
論文 参考訳（メタデータ） (2021-07-14T12:47:48Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z)
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。