Fugu-MT 論文翻訳(概要): PAC bounds of continuous Linear Parameter-Varying systems related to neural ODEs

論文の概要: PAC bounds of continuous Linear Parameter-Varying systems related to neural ODEs

arxiv url: http://arxiv.org/abs/2307.03630v1
Date: Fri, 7 Jul 2023 14:39:18 GMT
ステータス: 処理完了
システム内更新日: 2023-07-10 12:09:18.337564
Title: PAC bounds of continuous Linear Parameter-Varying systems related to neural ODEs
Title（参考訳）: ニューラルネットワークに関連する連続線形パラメータ変動系のpac境界
Authors: D\'aniel R\'acz and Mih\'aly Petreczky and B\'alint Dar\'oczy
Abstract要約: 本稿では,線形変動(LPV)システムのコンテキスト内でのニューラル正規微分方程式(Neural Ordinary Differential Equations,neural ODE)を連続的に学習する問題を考察する。ニューラル・オードに関連するLPV系に対して, 安定条件下でのほぼ正当性(PAC)バウンダリを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider the problem of learning Neural Ordinary Differential Equations (neural ODEs) within the context of Linear Parameter-Varying (LPV) systems in continuous-time. LPV systems contain bilinear systems which are known to be universal approximators for non-linear systems. Moreover, a large class of neural ODEs can be embedded into LPV systems. As our main contribution we provide Probably Approximately Correct (PAC) bounds under stability for LPV systems related to neural ODEs. The resulting bounds have the advantage that they do not depend on the integration interval.
Abstract（参考訳）: 本稿では,線形パラメータ変動システム(lpv)の文脈における神経常微分方程式(neural odes)の連続学習の問題について考察する。 LPV系は非線形系に対する普遍近似として知られている双線型系を含む。さらに、大きなクラスのニューラルネットワークodeをlpvシステムに組み込むこともできる。我々の主な貢献として、ニューラルODEに関連するLPV系の安定性の下で、確率的近似(PAC)境界を提供する。結果として得られる境界は、積分区間に依存しないという利点を持つ。

関連論文リスト

ControlSynth Neural ODEs: Modeling Dynamical Systems with Guaranteed Convergence [1.1720409777196028]
ニューラルネットワーク(NODE)は、時間間隔の制限なしにデータを処理できる連続時間ニューラルネットワーク(NN)である。非常に非線形な性質にもかかわらず、収束はトラクタブル線型不等式によって保証されることを示す。 CSODEの合成において、異なるスケールで動的に同時に捕捉される可能性について学習するための余分な制御項を導入する。
論文参考訳（メタデータ） (2024-11-04T17:20:42Z)
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)
Metric-Entropy Limits on Nonlinear Dynamical System Learning [4.069144210024563]
本稿では,リプシッツ特性を満足する非線形系を学習し,計量エントロピーの最適方法で過去の入力を十分に早く忘れることのできるリカレントニューラルネットワーク(RNN)について述べる。私たちが考えるシーケンス・ツー・シーケンス・マップの集合は、ディープ・ニューラルネットワーク近似理論において一般的に考慮される関数クラスよりもはるかに大きいので、洗練された計量エントロピー特性が必要である。
論文参考訳（メタデータ） (2024-07-01T12:57:03Z)
A finite-sample generalization bound for stable LPV systems [0.0]
安定な連続時間線形パラメータ可変(LPV)システムに対するPACバウンダリを導出する。我々の境界は、選択されたLPV系のH2ノルムに依存するが、信号が考慮される時間間隔に依存しない。
論文参考訳（メタデータ） (2024-05-16T12:42:36Z)
A Constructive Approach to Function Realization by Neural Stochastic Differential Equations [8.04975023021212]
システム力学における構造的制約を導入し、そのようなシステムで実現可能な関数のクラスを特徴付ける。これらのシステムは、ニューラル微分方程式(ニューラルSDE)、決定論的力学系、読み出しマップのカスケード相互接続として実装される。
論文参考訳（メタデータ） (2023-07-01T03:44:46Z)
Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文参考訳（メタデータ） (2022-10-12T06:46:38Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
Metric Entropy Limits on Recurrent Neural Network Learning of Linear Dynamical Systems [0.0]
RNNは、システム理論のパーランスにおいて、安定したLTIシステムで最適に学習または識別できることを示す。差分方程式によって入出力関係を特徴づけるLPIシステムの場合、RNNはメートルエントロピー最適方法で入出力トレースから差分方程式を学習することができる。
論文参考訳（メタデータ） (2021-05-06T10:12:30Z)
Linear embedding of nonlinear dynamical systems and prospects for efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文参考訳（メタデータ） (2020-12-12T00:01:10Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)
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)

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。