Fugu-MT 論文翻訳(概要): One-shot backpropagation for multi-step prediction in physics-based system identification -- EXTENDED VERSION

論文の概要: One-shot backpropagation for multi-step prediction in physics-based system identification -- EXTENDED VERSION

arxiv url: http://arxiv.org/abs/2310.20567v2
Date: Tue, 21 Nov 2023 09:19:06 GMT
ステータス: 処理完了
システム内更新日: 2023-11-23 04:28:48.668143
Title: One-shot backpropagation for multi-step prediction in physics-based system identification -- EXTENDED VERSION
Title（参考訳）: 物理系同定における多段階予測のためのワンショットバックプロパゲーション-EXTENDED VERSION
Authors: Cesare Donati, Martina Mammarella, Fabrizio Dabbene, Carlo Novara, Constantino Lagoa
Abstract要約: 本稿では,物理および構造的洞察を直接バックプロパゲーションに基づく学習アルゴリズムに反映する,力学系の同定のための物理に基づく枠組みを提案する。得られたアルゴリズムを用いて, 宇宙デブリの未知の慣性行列を同定し, 推定パラメータの物理的付着を捉える手法の信頼性を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The aim of this paper is to present a novel physics-based framework for the identification of dynamical systems, in which the physical and structural insights are reflected directly into a backpropagation-based learning algorithm. The main result is a method to compute in closed form the gradient of a multi-step loss function, while enforcing physical properties and constraints. The derived algorithm has been exploited to identify the unknown inertia matrix of a space debris, and the results show the reliability of the method in capturing the physical adherence of the estimated parameters.
Abstract（参考訳）: 本研究の目的は,物理および構造的洞察を直接バックプロパゲーションに基づく学習アルゴリズムに反映する,力学系の同定のための新しい物理ベースのフレームワークを提案することである。主な結果は、物理的特性と制約を強制しながら、マルチステップ損失関数の勾配を閉じた形で計算する方法である。得られたアルゴリズムを用いて, 宇宙デブリの未知の慣性行列を同定し, 推定パラメータの物理的付着を捉える手法の信頼性を示す。

関連論文リスト

Neural Incremental Data Assimilation [8.817223931520381]
ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
論文参考訳（メタデータ） (2024-06-21T11:42:55Z)
An evaluation framework for dimensionality reduction through sectional curvature [59.40521061783166]
本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
論文参考訳（メタデータ） (2023-03-17T11:59:33Z)
A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文参考訳（メタデータ） (2022-08-19T00:35:03Z)
Assembly Planning from Observations under Physical Constraints [65.83676649042623]
提案アルゴリズムは, 物理安定性制約, 凸最適化, モンテカルロ木探索の簡単な組み合わせを用いて, 集合を計画する。それは効率的で、最も重要なことは、オブジェクト検出のエラーに対して堅牢であり、実際のロボットシステムでは避けられないポーズ推定である。
論文参考訳（メタデータ） (2022-04-20T16:51:07Z)
Gradient-Based Learning of Discrete Structured Measurement Operators for Signal Recovery [16.740247586153085]
本稿では、勾配に基づく学習を利用して離散最適化問題を解く方法について述べる。 GLODISMO (Gradient-based Learning of DIscrete Structured Measurement Operators) によるアプローチの定式化いくつかの信号回復アプリケーションにおいて,GLODISMOの性能と柔軟性を実証的に示す。
論文参考訳（メタデータ） (2022-02-07T18:27:08Z)
Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文参考訳（メタデータ） (2021-12-10T11:09:29Z)
Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文参考訳（メタデータ） (2021-07-21T14:22:14Z)
Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文参考訳（メタデータ） (2020-11-18T18:52:08Z)
Accurately Solving Physical Systems with Graph Learning [22.100386288615006]
本稿では,グラフネットワークを持つ物理系に対する反復解法を高速化する新しい手法を提案する。エンド・ツー・エンドで物理システムを学習することを目的とした既存の手法とは異なり、我々のアプローチは長期的な安定性を保証する。本手法は,従来の反復解法の性能を向上させる。
論文参考訳（メタデータ） (2020-06-06T15:48:34Z)
Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。複素運動は安定な力学系のロールアウトとして符号化される。このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
論文参考訳（メタデータ） (2020-05-27T03:51:57Z)
Identifying Mechanical Models through Differentiable Simulations [16.86640234046472]
本稿では,未知の物体を非包括的動作によって操作する新しい手法を提案する。提案手法は、微分可能な物理モデルの最近の進歩を利用して、操作対象の未知の力学的性質を同定する。
論文参考訳（メタデータ） (2020-05-11T20:19:20Z)

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。