論文の概要: On the adaptation of in-context learners for system identification
- arxiv url: http://arxiv.org/abs/2312.04083v1
- Date: Thu, 7 Dec 2023 06:51:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 15:52:40.430333
- Title: On the adaptation of in-context learners for system identification
- Title(参考訳): システム識別のための文脈内学習者の適応について
- Authors: Dario Piga and Filippo Pura and Marco Forgione
- Abstract要約: In-context system identifiedは、システムのクラスを記述するメタモデルを構築することを目的としている。
メタモデル適応が3つの現実シナリオにおける予測性能をいかに向上させるかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In-context system identification aims at constructing meta-models to describe
classes of systems, differently from traditional approaches that model single
systems. This paradigm facilitates the leveraging of knowledge acquired from
observing the behaviour of different, yet related dynamics. This paper
discusses the role of meta-model adaptation. Through numerical examples, we
demonstrate how meta-model adaptation can enhance predictive performance in
three realistic scenarios: tailoring the meta-model to describe a specific
system rather than a class; extending the meta-model to capture the behaviour
of systems beyond the initial training class; and recalibrating the model for
new prediction tasks. Results highlight the effectiveness of meta-model
adaptation to achieve a more robust and versatile meta-learning framework for
system identification.
- Abstract(参考訳): コンテキスト内システム識別は、単一のシステムをモデル化する従来のアプローチとは異なる、システムのクラスを記述するメタモデルの構築を目的としている。
このパラダイムは、異なる、しかし関連するダイナミクスの振る舞いを観察することによって得られる知識の活用を促進する。
本稿ではメタモデル適応の役割について論じる。
本稿では,3つの現実シナリオにおいて,メタモデル適応が予測性能を向上させる方法を示す。メタモデルをクラスではなく特定のシステムを記述するように調整すること,メタモデルを拡張して初期訓練クラスを超えてシステムの振る舞いを捉えること,新しい予測タスクのためのモデルの再検討である。
その結果、システム識別のためのより堅牢で汎用的なメタ学習フレームワークを実現するためのメタモデル適応の有効性を強調した。
関連論文リスト
- Enhanced Transformer architecture for in-context learning of dynamical systems [0.3749861135832073]
本稿では,従来のメタモデリングフレームワークを3つの重要な革新を通じて強化する。
これらの修正の有効性は、Wiener-Hammerstein系クラスに焦点をあてた数値的な例を通して示される。
論文 参考訳(メタデータ) (2024-10-04T10:05:15Z) - A process algebraic framework for multi-agent dynamic epistemic systems [55.2480439325792]
本稿では,マルチエージェント,知識ベース,動的システムのモデリングと解析のための統合フレームワークを提案する。
モデリング側では,このようなフレームワークを実用的な目的に使いやすくするプロセス代数的,エージェント指向の仕様言語を提案する。
論文 参考訳(メタデータ) (2024-07-24T08:35:50Z) - From system models to class models: An in-context learning paradigm [0.0]
本稿では,1段階の予測と複数段階のシミュレーションという2つの主要な課題に対処する,システム識別のための新しいパラダイムを提案する。
動的システムのクラスを表すメタモデルを学ぶ。
一段階の予測では、GPTのようなデコーダのみのアーキテクチャを使用し、シミュレーション問題ではエンコーダ-デコーダ構造を用いる。
論文 参考訳(メタデータ) (2023-08-25T13:50:17Z) - Meta-SysId: A Meta-Learning Approach for Simultaneous Identification and
Prediction [34.83805457857297]
本稿では,メタ・シズIdを提案する。メタ・シズIdは,一般的だが未知の法則によって支配されるメタ・ラーニングの手法であり,その文脈によって自分自身を区別する。
回帰、時系列予測、モデルベース制御、実世界の交通予測ドメインでMeta-SysIdをテストする。
論文 参考訳(メタデータ) (2022-06-01T18:04:22Z) - Improving Meta-learning for Low-resource Text Classification and
Generation via Memory Imitation [87.98063273826702]
本稿では,メモリ模倣メタラーニング(MemIML)手法を提案する。
本手法の有効性を証明するために理論的解析を行った。
論文 参考訳(メタデータ) (2022-03-22T12:41:55Z) - 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) - Model-based Meta Reinforcement Learning using Graph Structured Surrogate
Models [40.08137765886609]
グラフ構造化サーロゲートモデル (GSSM) と呼ばれるモデルが, 環境ダイナミクス予測における最先端の手法を上回っていることを示した。
当社のアプローチでは,テスト時間ポリシの勾配最適化を回避して,デプロイメント中の高速実行を実現しつつ,高いリターンを得ることができる。
論文 参考訳(メタデータ) (2021-02-16T17:21:55Z) - A Meta-learning based Distribution System Load Forecasting Model
Selection Framework [6.499433762038562]
フレームワークには、機能抽出、候補モデルラベリング、オフライントレーニング、オンラインモデルレコメンデーションといったプロセスが含まれている。
ユーザ負荷予測ニーズを入力機能として使用することにより,複数のメタ学習者が,予測精度に基づいて利用可能な負荷予測モデルをランク付けする。
スコアリング投票機構は、各メタレナーからのレコメンデーションを重み付け、最終的なレコメンデーションを作成する。
論文 参考訳(メタデータ) (2020-09-25T01:53:25Z) - Few-shot Classification via Adaptive Attention [93.06105498633492]
ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。
実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
論文 参考訳(メタデータ) (2020-08-06T05:52:59Z) - Meta-learning framework with applications to zero-shot time-series
forecasting [82.61728230984099]
この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。
残余接続はメタラーニング適応機構として機能する。
我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
論文 参考訳(メタデータ) (2020-02-07T16:39:43Z) - Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。
タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。
この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
論文 参考訳(メタデータ) (2020-02-03T06:13:01Z)
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。