Fugu-MT 論文翻訳(概要): A finite-sample generalization bound for stable LPV systems

論文の概要: A finite-sample generalization bound for stable LPV systems

arxiv url: http://arxiv.org/abs/2405.10054v3
Date: Tue, 21 May 2024 04:49:55 GMT
ステータス: 処理完了
システム内更新日: 2024-05-22 17:23:38.027602
Title: A finite-sample generalization bound for stable LPV systems
Title（参考訳）: 安定LPV系に対する有限サンプル一般化
Authors: Daniel Racz, Martin Gonzalez, Mihaly Petreczky, Andras Benczur, Balint Daroczy,
Abstract要約: 安定な連続時間線形パラメータ可変(LPV)システムに対するPACバウンダリを導出する。我々の境界は、選択されたLPV系のH2ノルムに依存するが、信号が考慮される時間間隔に依存しない。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One of the main theoretical challenges in learning dynamical systems from data is providing upper bounds on the generalization error, that is, the difference between the expected prediction error and the empirical prediction error measured on some finite sample. In machine learning, a popular class of such bounds are the so-called Probably Approximately Correct (PAC) bounds. In this paper, we derive a PAC bound for stable continuous-time linear parameter-varying (LPV) systems. Our bound depends on the H2 norm of the chosen class of the LPV systems, but does not depend on the time interval for which the signals are considered.
Abstract（参考訳）: データから力学系を学習する際の主要な理論的課題の1つは、一般化誤差、すなわち、期待される予測誤差と、ある有限標本で測定された経験的予測誤差との差について上限を与えることである。機械学習において、そのような境界の一般的なクラスは、いわゆる確率近似境界(英語版)(Probably Aough Correct、PAC)である。本稿では,安定な連続時間線形パラメータ変動(LPV)システムに対するPACバウンダリを導出する。我々の境界は、選択されたLPV系のH2ノルムに依存するが、信号が考慮される時間間隔に依存しない。

関連論文リスト

PAC bounds of continuous Linear Parameter-Varying systems related to neural ODEs [0.0]
本稿では,線形変動(LPV)システムのコンテキスト内でのニューラル正規微分方程式(Neural Ordinary Differential Equations,neural ODE)を連続的に学習する問題を考察する。ニューラル・オードに関連するLPV系に対して, 安定条件下でのほぼ正当性(PAC)バウンダリを提供する。
論文参考訳（メタデータ） (2023-07-07T14:39:18Z)
PAC-Bayesian bounds for learning LTI-ss systems with input from empirical loss [13.251009291060992]
入力を持つ線形時間不変(LTI)力学系に対して、確率的に近似的正則(PAC)-ベイジアン誤差を導出する。このような境界は機械学習に広く浸透しており、有限個のデータポイントから学習したモデルの予測力を特徴づけるのに有用である。
論文参考訳（メタデータ） (2023-03-29T16:06:07Z)
PAC-Bayesian-Like Error Bound for a Class of Linear Time-Invariant Stochastic State-Space Models [13.251009291060992]
入力を持つ力学系のクラスに対して、PAC-Bayesian-likeエラーバウンドを導出する。この誤差の様々な結果について議論する。
論文参考訳（メタデータ） (2022-12-30T17:37:33Z)
Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文参考訳（メタデータ） (2022-10-12T06:46:38Z)
Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
論文参考訳（メタデータ） (2021-12-01T23:15:09Z)
Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-06T08:48:02Z)
Dimension Free Generalization Bounds for Non Linear Metric Learning [61.193693608166114]
我々はスパース体制と非スパース体制という2つの体制に対して一様一般化境界を提供する。解の異なる新しい性質を頼りにすることで、次元自由一般化保証を提供することができることを示す。
論文参考訳（メタデータ） (2021-02-07T14:47:00Z)
Policy Analysis using Synthetic Controls in Continuous-Time [101.35070661471124]
因果推論における手法開発において, 合成制御を用いた因果推定は最も成功した手法の1つである。本稿では,制御された微分方程式の定式化を明示的に用い,潜在反事実経路をモデル化する連続時間代替法を提案する。
論文参考訳（メタデータ） (2021-02-02T16:07:39Z)
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)
PAC-Bayes Analysis Beyond the Usual Bounds [16.76187007910588]
本研究では,学習者が学習例の有限セットを観察する学習モデルに焦点を当てる。学習したデータ依存分布はランダム化予測に使用される。
論文参考訳（メタデータ） (2020-06-23T14:30:24Z)
Learning Expected Reward for Switched Linear Control Systems: A Non-Asymptotic View [10.051309746913512]
スイッチング線形力学系に対する不変エルゴード測度の存在を示す。我々は、期待される報酬を学習するために、非漸近的境界を導出する。
論文参考訳（メタデータ） (2020-06-15T03:13:17Z)

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。