論文の概要: Machine-learning parameter tracking with partial state observation

• arxiv url: http://arxiv.org/abs/2311.09142v1
• Date: Wed, 15 Nov 2023 17:39:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 14:52:28.546296
• Title: Machine-learning parameter tracking with partial state observation
• Title（参考訳）: 部分状態観測による機械学習パラメータ追跡
• Authors: Zheng-Meng Zhai, Mohammadamin Moradi, Bryan Glaz, Mulugeta Haile, and Ying-Cheng Lai
• Abstract要約: 複雑で非線形な力学系は、時間とともに変化するパラメータ、状態推定、予測、制御といったタスクに不可欠な正確な追跡を含むことが多い。 リアルタイムに部分状態観測から時間変化パラメータを正確に追跡する,モデルフリーで完全なデータ駆動型フレームワークを開発した。 低次元および高次元のマルコフ系および非マルコフ系非線形力学系は、機械学習に基づくパラメータ追跡フレームワークのパワーを示すために用いられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex and nonlinear dynamical systems often involve parameters that change with time, accurate tracking of which is essential to tasks such as state estimation, prediction, and control. Existing machine-learning methods require full state observation of the underlying system and tacitly assume adiabatic changes in the parameter. Formulating an inverse problem and exploiting reservoir computing, we develop a model-free and fully data-driven framework to accurately track time-varying parameters from partial state observation in real time. In particular, with training data from a subset of the dynamical variables of the system for a small number of known parameter values, the framework is able to accurately predict the parameter variations in time. Low- and high-dimensional, Markovian and non-Markovian nonlinear dynamical systems are used to demonstrate the power of the machine-learning based parameter-tracking framework. Pertinent issues affecting the tracking performance are addressed.
• Abstract（参考訳）: 複雑で非線形な力学系は、時間とともに変化するパラメータ、状態推定、予測、制御といったタスクに不可欠な正確な追跡を含むことが多い。 既存の機械学習手法は、基礎となるシステムの完全な状態観察を必要とし、パラメータの断熱的変化を暗黙的に仮定する。 逆問題と貯水池計算を応用したモデルフリーで完全なデータ駆動型フレームワークを開発し,部分状態観測からリアルタイムに時間変化パラメータを正確に追跡する。 特に、少数の既知のパラメータ値に対するシステムの動的変数のサブセットからのデータをトレーニングすることで、フレームワークは、時間のパラメータ変動を正確に予測することができる。 低次元および高次元、マルコフ的および非マルコフ的非線形力学系は、機械学習に基づくパラメータ追跡フレームワークのパワーを示すために用いられる。 トラッキングパフォーマンスに影響を及ぼす問題に対処する。

関連論文リスト

• Bayesian Autoregressive Online Change-Point Detection with Time-Varying Parameters [0.8192907805418583]
  現実世界のシステムにおける変化点は、システムの力学における重要な状態変化を示す。 本稿では,一変量時系列を用いたオンライン変化点検出手法を提案する。 時間的依存関係と時間的パラメータをモデル化することにより、推定精度と予測能力の両方を高めることができる。
  論文  参考訳（メタデータ） (2024-07-23T10:57:13Z)
• Prediction of Unobserved Bifurcation by Unsupervised Extraction of Slowly Time-Varying System Parameter Dynamics from Time Series Using Reservoir Computing [0.0]
  従来の機械学習手法は、観測された時系列データからシステムを学習し、予測する能力を進歩させてきた。 本稿では,長時間の内的力学を持つ低速貯水池と,短時間の時間的力学を持つ高速貯水池からなるモデルアーキテクチャを提案する。 遅い貯留層は系のパラメータの時間的変動を抽出し、高速力学における未知の分岐を予測するのに使用される。 我々のアプローチは、神経科学、物質科学、気象予報などの分野への応用の可能性を示している。
  論文  参考訳（メタデータ） (2024-06-20T04:49:41Z)
• Deep Learning of Dynamical System Parameters from Return Maps as Images [0.0]
  本稿では,ディープラーニング技術を用いたシステム識別手法を提案する。 離散および連続時間力学系のパラメータを推定するために教師付き学習手法を用いる。
  論文  参考訳（メタデータ） (2023-06-20T03:23:32Z)
• Embed and Emulate: Learning to estimate parameters of dynamical systems with uncertainty quantification [11.353411236854582]
  本稿では,高次元力学系の不確実性を考慮したパラメータ推定のための学習エミュレータについて検討する。 私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。 結合した396次元のマルチスケールロレンツ96系において,本手法は典型的なパラメータ推定法よりも優れていた。
  論文  参考訳（メタデータ） (2022-11-03T01:59:20Z)
• 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)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• 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)
• Tracking Performance of Online Stochastic Learners [57.14673504239551]
  オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。 一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。 定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
  論文  参考訳（メタデータ） (2020-04-04T14:16:27Z)

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。