論文の概要: Model-Free Stochastic Process Modeling and Optimization using Normalizing Flows

• arxiv url: http://arxiv.org/abs/2409.17632v1
• Date: Thu, 26 Sep 2024 08:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-09-28 21:53:57.469786
• Title: Model-Free Stochastic Process Modeling and Optimization using Normalizing Flows
• Title（参考訳）: 正規化フローを用いたモデルフリー確率過程モデリングと最適化
• Authors: Eike Cramer,
• Abstract要約: 本研究は, 化学プロセスの力学を学習するために, 離散時間モデルとして条件正規化フローを用いることを提案する。 正規化フローは長期水平線上での安定なシミュレーションと、開ループ制御のための確率的およびMPC定式化による高品質な結果をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world chemical processes often exhibit stochastic dynamics with non-trivial correlations and state-dependent fluctuations. However, most process models simply add stationary noise terms to a deterministic prediction, which can lead to inaccurate predictions. This work proposes using conditional normalizing flows as discrete-time models (DTMs) to learn the stochastic dynamics of chemical processes. Normalizing flows learn an explicit expression of the system states' probability density function (PDF) given prior states and control inputs. The resulting model naturally allows for formulating stochastic and probabilistic setpoint-tracking objectives and chance constraints. In applications to a continuous reactor and a reactor cascade, the normalizing flow yields stable simulations over long time horizons and high-quality results in stochastic and probabilistic MPC formulation for open-loop control. Furthermore, a chance-constrained optimization finds reliable startup controls for the reactor cascade with stochastic reactions. In conclusion, the conditional normalizing flow presents an excellent choice for modeling nonlinear stochastic dynamics.
• Abstract（参考訳）: 実世界の化学プロセスは、しばしば非自明な相関と状態依存のゆらぎを持つ確率力学を示す。 しかし、ほとんどのプロセスモデルでは、決定論的予測に定常雑音項を加えるだけで、不正確な予測につながる可能性がある。 本研究では, 離散時間モデル (DTM) として条件正規化フローを用いて, 化学過程の確率力学を学習することを提案する。 正規化フローは、事前の状態と制御入力が与えられたシステムの確率密度関数(PDF)の明示的な表現を学習する。 結果のモデルは自然に確率的および確率的集合点追跡目標と確率的制約を定式化することができる。 連続反応器および原子炉カスケードへの応用では、正規化流は長期水平線上で安定なシミュレーションを行い、高品質な結果が開ループ制御のための確率的および確率的MPC定式化をもたらす。 さらに、確率制約付き最適化により、確率的反応を伴う原子炉カスケードの信頼性の高い起動制御が見つかる。 結論として、条件正規化フローは非線形確率力学をモデル化するための優れた選択である。

関連論文リスト

• Flipping Against All Odds: Reducing LLM Coin Flip Bias via Verbalized Rejection Sampling [59.133428586090226]
  大規模言語モデル(LLM)は、しばしば自然言語を用いて確率分布を正確に記述することができる。 このミスマッチはモンテカルロ法、エージェントベースのシミュレーション、ランダム化された意思決定などの信頼性を必要とするタスクでの使用を制限する。 本稿では,古典的リジェクションサンプリングの自然言語適応であるVerbalized Rejection Smpling (VRS)を紹介する。
  論文  参考訳（メタデータ） (2025-06-11T17:59:58Z)
• Physics-aware generative models for turbulent fluid flows through energy-consistent stochastic interpolants [0.0]
  生成モデルは、テキスト、画像、ビデオなどの領域で顕著な成功を収めている。 本研究では, 生成モデルの流体力学への応用, 特に乱流シミュレーションについて検討する。 本稿では,物理制約を取り入れつつ確率的予測を可能にする補間子に基づく新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:29:01Z)
• Gaussian Mixture Flow Matching Models [51.976452482535954]
  拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。 離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。 本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T17:59:42Z)
• Asymptotically Optimal Change Detection for Unnormalized Pre- and Post-Change Distributions [65.38208224389027]
  本稿では,非正規化前および後の変化分布のみがアクセス可能である場合にのみ,変化を検出する問題に対処する。 提案手法は,最適性能を示すことが知られている累積サム統計量の推定に基づく。
  論文  参考訳（メタデータ） (2024-10-18T17:13:29Z)
• Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows [4.489135297410294]
  不規則な時系列における目標の連立分布の確率論的予測モデルは、機械学習においてあまり研究されていない分野である。 MOSES(Marginalization Consistent Mixture of Separable Flows)は,複数の潜伏ガウス過程と分離可能なユニ-正規性フローの混合をパラメタライズするモデルである。 4つのデータセットの実験では、MOSESは正確な結合予測と限界予測の両方を達成し、他の余分化の基線を全て上回り、ProFITiをわずかに下回っただけで、余分分布の予測では圧倒的に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-06-11T13:28:43Z)
• Time-changed normalizing flows for accurate SDE modeling [5.402030962296633]
  ブラウン運動の時間変形に基づく動的正規化流れの新たな変換を提案する。 このアプローチは、他の方法ではモデル化できないいくつかのSDEを効果的にモデル化することを可能にする。
  論文  参考訳（メタデータ） (2023-12-22T13:57:29Z)
• Data-driven Modeling and Inference for Bayesian Gaussian Process ODEs via Double Normalizing Flows [28.62579476863723]
  本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。 また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。 シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-17T09:28:47Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Locality-constrained autoregressive cum conditional normalizing flow for lattice field theory simulations [0.0]
  局所作用積分は条件正規化フローの入力領域を単純化する。 その結果,l-ACNFモデルの自己相関時間は,全格子上の等価正規化フローモデルよりも桁違いに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-04T13:55:51Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• A Physics-informed Deep Learning Approach for Minimum Effort Stochastic Control of Colloidal Self-Assembly [9.791617215182598]
  制御目的は、所定の初期確率尺度から最小制御労力で所定の終端確率尺度へ状態PDFを操る観点から定式化される。 我々は、関連する最適制御問題に対する最適性の条件を導出する。 提案手法の性能は, ベンチマークコロイド自己集合問題に対する数値シミュレーションにより検証した。
  論文  参考訳（メタデータ） (2022-08-19T07:01:57Z)
• Hybrid Gaussian Process Modeling Applied to Economic Stochastic Model Predictive Control of Batch Processes [0.0]
  植物モデルはしばしば第一原理から決定され、モデルの一部が物理的法則のみを用いて導出することが困難である。 本稿ではGPを用いて、第一原理を用いて記述が難しい動的システムのパーツをモデル化する。 この不確実性を制御アルゴリズムで考慮し、制約違反や性能劣化を防止することが不可欠である。
  論文  参考訳（メタデータ） (2021-08-14T00:01:42Z)
• Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
  条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。 本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。 本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-09T14:30:35Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)
• Modeling Continuous Stochastic Processes with Dynamic Normalizing Flows [40.9137348900942]
  ウィナー過程の微分変形によって駆動される新しいタイプの流れを提案する。 その結果,観測可能なプロセスが基本プロセスの魅力的な特性の多くを継承するリッチ時系列モデルが得られた。
  論文  参考訳（メタデータ） (2020-02-24T20:13:43Z)
• Stochastic Normalizing Flows [2.323220706791067]
  単純な事前分布の変換を学習するために,フローの正規化が有効であることを示す。 サンプルとフローパラメータの両方をエンドツーエンドに最適化できる効率的なトレーニング手順を導出する。 いくつかのベンチマークでSNFの表現力,サンプリング効率,正当性について述べる。
  論文  参考訳（メタデータ） (2020-02-16T23:29:32Z)

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。