Fugu-MT 論文翻訳(概要): Sampling-Free Probabilistic Deep State-Space Models

論文の概要: Sampling-Free Probabilistic Deep State-Space Models

arxiv url: http://arxiv.org/abs/2309.08256v1
Date: Fri, 15 Sep 2023 09:06:23 GMT
ステータス: 処理完了
システム内更新日: 2023-09-18 15:12:19.829296
Title: Sampling-Free Probabilistic Deep State-Space Models
Title（参考訳）: サンプリングフリー確率的状態空間モデル
Authors: Andreas Look, Melih Kandemir, Barbara Rakitsch, Jan Peters
Abstract要約: 確率論的深部SSMは未知のパラメトリック形式の力学系に一般化する。このタイプのモデルに対する最初の決定論的推論アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 28.221200872943825
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many real-world dynamical systems can be described as State-Space Models (SSMs). In this formulation, each observation is emitted by a latent state, which follows first-order Markovian dynamics. A Probabilistic Deep SSM (ProDSSM) generalizes this framework to dynamical systems of unknown parametric form, where the transition and emission models are described by neural networks with uncertain weights. In this work, we propose the first deterministic inference algorithm for models of this type. Our framework allows efficient approximations for training and testing. We demonstrate in our experiments that our new method can be employed for a variety of tasks and enjoys a superior balance between predictive performance and computational budget.
Abstract（参考訳）: 多くの実世界の力学系は状態空間モデル (State-Space Models, SSM) と呼ばれる。この定式化では、各観測は1次マルコフ力学に従う潜在状態によって放出される。確率的深部SSM(Probabilistic Deep SSM)は、この枠組みを未知のパラメトリック形式の力学系に一般化し、遷移モデルと放出モデルが不確実な重みを持つニューラルネットワークによって記述される。本研究では,このタイプのモデルに対する最初の決定論的推論アルゴリズムを提案する。私たちのフレームワークは、トレーニングとテストの効率的な近似を可能にします。実験では,新しい手法を様々なタスクに応用でき,予測性能と計算予算のバランスが良好であることを実証した。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Enhanced Prediction of Multi-Agent Trajectories via Control Inference and State-Space Dynamics [14.694200929205975]
本稿では,状態空間動的システムモデリングに基づく軌道予測の新しい手法を提案する。動的システムにおける状態推定の精度を高めるために,制御変数に対する新しいモデリング手法を提案する。提案手法は,グラフニューラルネットワークと状態空間モデルを統合し,マルチエージェント相互作用の複雑さを効果的に捉える。
論文参考訳（メタデータ） (2024-08-08T08:33:02Z)
HiPPO-Prophecy: State-Space Models can Provably Learn Dynamical Systems in Context [0.5416466085090772]
本研究では、状態空間モデル(SSM)の文脈内学習能力について検討する。我々はSSMの新たな重み構造を導入し、任意の力学系の次の状態を予測できるようにした。我々は、連続SSMが任意の入力信号の微分を近似できることを示すために、HiPPOフレームワークを拡張した。
論文参考訳（メタデータ） (2024-07-12T15:56:11Z)
Understanding Self-attention Mechanism via Dynamical System Perspective [58.024376086269015]
SAM(Self-attention mechanism)は、人工知能の様々な分野で広く使われている。常微分方程式(ODE)の高精度解における固有剛性現象(SP)は,高性能ニューラルネットワーク(NN)にも広く存在することを示す。 SAMは、本質的なSPを測定するためのモデルの表現能力を高めることができる剛性対応のステップサイズ適応器でもあることを示す。
論文参考訳（メタデータ） (2023-08-19T08:17:41Z)
Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文参考訳（メタデータ） (2023-07-21T14:25:06Z)
Cheap and Deterministic Inference for Deep State-Space Models of Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文参考訳（メタデータ） (2023-05-02T20:30:23Z)
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)
Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文参考訳（メタデータ） (2022-12-05T19:40:17Z)
Learning Stochastic Dynamics with Statistics-Informed Neural Network [0.4297070083645049]
データからダイナミクスを学習するための、統計情報ニューラルネットワーク(SINN)という機械学習フレームワークを導入する。本研究では,ニューラルネットワークモデルの学習機構を考案し,対象プロセスの正しい統計的挙動を再現する。得られた低次モデルが時間的に粗い粒度データに基づいて訓練可能であることを示す。
論文参考訳（メタデータ） (2022-02-24T18:21:01Z)
Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文参考訳（メタデータ） (2021-11-02T12:33:42Z)
Deep Probabilistic Time Series Forecasting using Augmented Recurrent Input for Dynamic Systems [12.319812075685956]
我々は、深部生成モデルと状態空間モデル(SSM)の両方の進歩を組み合わせて、新しいデータ駆動の深部確率的シーケンスモデルを考え出す。特に、リカレントニューラルネットワーク(RNN)を用いた変動配列モデルを構築するために、一般的なエンコーダデコーダ生成構造に従う。トレーニングと予測の不整合を緩和するために,次のステップでハイブリッド出力を入力として使用することを提案する。
論文参考訳（メタデータ） (2021-06-03T23:41:11Z)

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。