論文の概要: Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning

• arxiv url: http://arxiv.org/abs/2407.07368v1
• Date: Wed, 10 Jul 2024 05:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 17:51:32.138457
• Title: Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning
• Title（参考訳）: 半教師付き学習を用いたモデルフリー過程の圧縮計測によるデータ駆動ベイズ状態推定
• Authors: Anubhab Ghosh, Yonina C. Eldar, Saikat Chatterjee,
• Abstract要約: モデルフリープロセスの圧縮測定(BSCM)によるデータ駆動ベイズ状態の推定。 時間的測定ベクトルの次元は、推定される時間的状態ベクトルの次元よりも低い。 既存の2つの教師なし学習ベースのデータ駆動手法は、モデルフリープロセスのBSCM問題に対処できない。 半教師付き学習に基づくDANSE手法を開発し,その手法をSemiDANSEと呼ぶ。
• 参考スコア（独自算出の注目度）: 57.04370580292727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The research topic is: data-driven Bayesian state estimation with compressed measurement (BSCM) of model-free process, say for a (causal) tracking application. The dimension of the temporal measurement vector is lower than the dimension of the temporal state vector to be estimated. Hence the state estimation problem is an underdetermined inverse problem. The state-space-model (SSM) of the underlying dynamical process is assumed to be unknown and hence, we use the terminology 'model-free process'. In absence of the SSM, we can not employ traditional model-driven methods like Kalman Filter (KF) and Particle Filter (PF) and instead require data-driven methods. We first experimentally show that two existing unsupervised learning-based data-driven methods fail to address the BSCM problem for model-free process; they are data-driven nonlinear state estimation (DANSE) method and deep Markov model (DMM) method. The unsupervised learning uses unlabelled data comprised of only noisy measurements. While DANSE provides a good predictive performance to model the temporal measurement data as time-series, its unsupervised learning lacks a regularization for state estimation. We then investigate use of a semi-supervised learning approach, and develop a semi-supervised learning-based DANSE method, referred to as SemiDANSE. In the semi-supervised learning, we use a limited amount of labelled data along-with a large amount of unlabelled data, and that helps to bring the desired regularization for BSCM problem in the absence of SSM. The labelled data means pairwise measurement-and-state data. Using three chaotic dynamical systems (or processes) with nonlinear SSMs as benchmark, we show that the data-driven SemiDANSE provides competitive performance for BSCM against three SSM-informed methods - a hybrid method called KalmanNet, and two traditional model-driven methods called extended KF and unscented KF.
• Abstract（参考訳）: モデルフリープロセスの圧縮測定(BSCM)によるデータ駆動ベイズ状態推定(例えば(因果)追跡アプリケーション)。 時間的測定ベクトルの次元は、推定される時間的状態ベクトルの次元よりも低い。 したがって、状態推定問題は過小評価された逆問題である。 基礎となる力学過程の状態空間モデル(SSM)は未知であると仮定され、したがって「モデルフリープロセス」という用語を用いる。 SSMがなければ、Kalman Filter (KF) や Particle Filter (PF) のような従来のモデル駆動の手法を使わず、代わりにデータ駆動の手法を必要とします。 まず,既存の教師なし学習に基づく2つのデータ駆動手法が,モデルフリープロセスにおけるBSCM問題に対処できないことを示す。 教師なし学習は、ノイズ測定のみからなる不正なデータを使用する。 DANSEは時間的計測データを時系列としてモデル化するための優れた予測性能を提供するが、教師なし学習は状態推定の正規化を欠いている。 次に,半教師付き学習手法について検討し,セミDANSEと呼ばれる半教師付き学習に基づくDANSE法を開発した。 半教師付き学習では,ラベル付きデータと大量の未ラベルデータとを併用し,SSMのない場合のBSCM問題の正規化に寄与する。 ラベル付きデータは、ペアワイズ計測および状態データを意味する。 非線形SSMの3つのカオス力学系(あるいはプロセス)をベンチマークとして、データ駆動セミダNSEは、3つのSSMインフォームド手法(KalmanNetと呼ばれるハイブリッド手法)と、拡張KFと無感覚KFと呼ばれる2つの従来のモデル駆動方式)に対してBSCMの競合性能を提供することを示した。

関連論文リスト

• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Topological Approach for Data Assimilation [0.4972323953932129]
  トポロジカルデータ解析の基礎となる新しいデータ同化アルゴリズムを提案する。 パーシステンス関数の微分可能性を活用することにより、勾配勾配最適化は、測定と予測予測の間の位相的差を最小限に抑えるために用いられる。
  論文  参考訳（メタデータ） (2024-11-12T20:24:46Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• DANSE: Data-driven Non-linear State Estimation of Model-free Process in Unsupervised Learning Setup [8.167158666601553]
  本研究では,教師なし学習環境におけるモデルフリープロセスのベイズ状態推定と予測の課題に対処する。 データ駆動リカレントニューラルネットワーク(RNN)は、状態の先行パラメータを提供するために、DANSEで使用される。 提案したDANSEは、意図しないプロセスモデルを知ることなく、教師あり学習もせず、モデル駆動手法と競合する性能を提供する。
  論文  参考訳（メタデータ） (2023-06-04T15:03:39Z)
• LMI-based Data-Driven Robust Model Predictive Control [0.1473281171535445]
  入力制約と状態制約を考慮したデータ駆動型ロバストな線形行列不等式モデル予測制御手法を提案する。 コントローラは閉ループシステムを安定化し、制約満足度を保証する。
  論文  参考訳（メタデータ） (2023-03-08T18:20:06Z)
• Neural Enhanced Belief Propagation for Multiobject Tracking [8.228150100178983]
  モデルベースとデータ駆動型MOTを組み合わせたBPの変種を紹介する。 NEBP法はモデルベース法と比較して追跡性能が向上する。 nuScenes 自律運転データセット上でのMOTに対するNEBP手法の性能評価を行った。
  論文  参考訳（メタデータ） (2022-12-16T08:31:07Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Unsupervised Model Drift Estimation with Batch Normalization Statistics for Dataset Shift Detection and Model Selection [0.0]
  本研究では,未ラベル試験データに基づくバッチ正規化層の統計量を利用したモデルドリフト推定手法を提案する。 本手法は,モデル動物園内に複数の候補モデルが存在する場合のモデル選択だけでなく,教師なしの方法でのトレーニングトラジェクトリにおいても有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-01T03:04:47Z)

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。