論文の概要: Adaptive Noise Covariance Estimation under Colored Noise using Dynamic
Expectation Maximization
- arxiv url: http://arxiv.org/abs/2308.07797v1
- Date: Tue, 15 Aug 2023 14:21:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 12:30:14.116523
- Title: Adaptive Noise Covariance Estimation under Colored Noise using Dynamic
Expectation Maximization
- Title(参考訳): 動的期待最大化を用いた色雑音下における適応雑音共分散推定
- Authors: Ajith Anil Meera and Pablo Lanillos
- Abstract要約: カラーノイズを受ける動的システムのNCMを精度良く推定する,脳に触発された新しいアルゴリズムを提案する。
我々は、NCM推定器がこの自由エネルギー目標の大域的最適値に収束することを数学的に証明する。
特に,本手法は,高色雑音に対する関節雑音および状態推定において,最良ベースライン(可変ベイズ)よりも優れることを示す。
- 参考スコア(独自算出の注目度): 1.550120821358415
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The accurate estimation of the noise covariance matrix (NCM) in a dynamic
system is critical for state estimation and control, as it has a major
influence in their optimality. Although a large number of NCM estimation
methods have been developed, most of them assume the noises to be white.
However, in many real-world applications, the noises are colored (e.g., they
exhibit temporal autocorrelations), resulting in suboptimal solutions. Here, we
introduce a novel brain-inspired algorithm that accurately and adaptively
estimates the NCM for dynamic systems subjected to colored noise. Particularly,
we extend the Dynamic Expectation Maximization algorithm to perform both online
noise covariance and state estimation by optimizing the free energy objective.
We mathematically prove that our NCM estimator converges to the global optimum
of this free energy objective. Using randomized numerical simulations, we show
that our estimator outperforms nine baseline methods with minimal noise
covariance estimation error under colored noise conditions. Notably, we show
that our method outperforms the best baseline (Variational Bayes) in joint
noise and state estimation for high colored noise. We foresee that the accuracy
and the adaptive nature of our estimator make it suitable for online estimation
in real-world applications.
- Abstract(参考訳): 動的システムにおけるノイズ共分散行列(NCM)の正確な推定は、その最適性に大きな影響を与えるため、状態推定と制御に重要である。
多くのNCM推定法が開発されているが、そのほとんどはノイズが白色であると仮定している。
しかし、多くの実世界の応用において、ノイズは色付けされている(例えば、それらは時間的自己相関を示す)。
本稿では,カラーノイズを受ける動的システムのNCMを高精度かつ適応的に推定する,脳に触発された新しいアルゴリズムを提案する。
特に,自由エネルギー目標を最適化することにより,オンラインノイズ共分散と状態推定の両方を行うための動的期待最大化アルゴリズムを拡張する。
我々はNCM推定器がこの自由エネルギー目標の大域的最適値に収束することを数学的に証明する。
ランダム化数値シミュレーションを用いて,色付き雑音条件下での雑音共分散推定誤差を最小に抑えた9つのベースライン法よりも高い性能を示す。
特に,本手法は,高色雑音に対する関節雑音および状態推定において,最良ベースライン(可変ベイズ)よりも優れることを示す。
我々は、推定器の精度と適応性が実世界のアプリケーションにおけるオンライン推定に適していることを予測している。
関連論文リスト
- Optimizing the Noise in Self-Supervised Learning: from Importance
Sampling to Noise-Contrastive Estimation [80.07065346699005]
GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。
我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。
本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
論文 参考訳(メタデータ) (2023-01-23T19:57:58Z) - Neighbor Regularized Bayesian Optimization for Hyperparameter
Optimization [12.544312247050236]
そこで本研究では,近隣正規化ベイズ最適化(NRBO)と呼ばれる新しいBOアルゴリズムを提案する。
まず,各試料の観察を円滑に円滑に行うため,余分なトレーニングコストを伴わずに効率よく観測ノイズを低減できる近傍型正規化を提案する。
我々は、ベイズマークベンチマークとImageNetやCOCOのような重要なコンピュータビジョンベンチマークで実験を行う。
論文 参考訳(メタデータ) (2022-10-07T12:08:01Z) - Greedy versus Map-based Optimized Adaptive Algorithms for
random-telegraph-noise mitigation by spectator qubits [6.305016513788048]
データストレージキュービットを可能な限り分離したままにしておくシナリオでは、ノイズプローブを追加してノイズ軽減を行うことができる。
量子ビット上の射影的測定を仮定した理論モデルを構築し、異なる測定・制御戦略の性能を導出する。
解析的および数値的に、MOAAARは、特にSQの高雑音感度状態において、Greedyアルゴリズムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-05-25T08:25:10Z) - The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。
特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
論文 参考訳(メタデータ) (2022-03-02T13:59:20Z) - Multiview point cloud registration with anisotropic and space-varying
localization noise [1.5499426028105903]
我々は,高異方性定位雑音で劣化した複数点の雲を登録する問題に対処する。
既存の手法は、空間不変等方性雑音の暗黙の仮定に基づいている。
ノイズハンドリング戦略は,高レベルの異方性雑音に対するロバスト性を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2022-01-03T15:21:24Z) - Optimizing Information-theoretical Generalization Bounds via Anisotropic
Noise in SGLD [73.55632827932101]
SGLDにおけるノイズ構造を操作することにより,情報理論の一般化を最適化する。
低経験的リスクを保証するために制約を課すことで、最適なノイズ共分散が期待される勾配共分散の平方根であることを証明する。
論文 参考訳(メタデータ) (2021-10-26T15:02:27Z) - A Comparison of Various Classical Optimizers for a Variational Quantum
Linear Solver [0.0]
変分型ハイブリッド量子古典アルゴリズム(VHQCAs)は、ノイズの多い量子デバイス上で動作することを目的とした量子アルゴリズムのクラスである。
これらのアルゴリズムは、パラメータ化量子回路(アンサッツ)と量子古典フィードバックループを用いる。
古典的なデバイスは、量子デバイス上ではるかに効率的に計算できるコスト関数を最小限に抑えるためにパラメータを最適化するために使用される。
論文 参考訳(メタデータ) (2021-06-16T10:40:00Z) - Near-Optimal High Probability Complexity Bounds for Non-Smooth
Stochastic Optimization with Heavy-Tailed Noise [63.304196997102494]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
既存の非滑らか凸最適化法は、負のパワーまたは対数的な信頼度に依存する境界の複雑さを持つ。
クリッピングを用いた2つの勾配法に対して, 新たなステップサイズルールを提案する。
論文 参考訳(メタデータ) (2021-06-10T17:54:21Z) - Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。
本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。
より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
論文 参考訳(メタデータ) (2021-05-25T19:48:35Z) - Adaptive Multi-View ICA: Estimation of noise levels for optimal
inference [65.94843987207445]
Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。
AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。
実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
論文 参考訳(メタデータ) (2021-02-22T13:10:12Z) - Active Learning for Identification of Linear Dynamical Systems [12.056495277232118]
アルゴリズムが達成した有限時間境界推定率を示す。
そこで本研究では,ノイズを発生させることによって得られるオーバレートを,アルゴリズムが確実に改善する事例をいくつか分析する。
論文 参考訳(メタデータ) (2020-02-02T21:30:38Z)
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。