論文の概要: Least Squares and Marginal Log-Likelihood Model Predictive Control using Normalizing Flows

• arxiv url: http://arxiv.org/abs/2409.17632v2
• Date: Wed, 14 May 2025 07:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.193358
• Title: Least Squares and Marginal Log-Likelihood Model Predictive Control using Normalizing Flows
• Title（参考訳）: 正規化流を用いた最小正方形と対数類似モデル予測制御
• Authors: Eike Cramer,
• Abstract要約: 本研究は,動的学習のための離散時間モデルとして条件正規化フローを提案する。 原子炉実験において、正規化流MPCは開ループおよび閉ループの場合のセットポイント誤差を名目制御器の半分に低減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world (bio)chemical processes often exhibit stochastic dynamics with non-trivial correlations and state-dependent fluctuations. Model predictive control (MPC) often must consider these fluctuations to achieve reliable performance. However, most process models simply add stationary noise terms to a deterministic prediction. This work proposes using conditional normalizing flows as discrete-time models to learn stochastic dynamics. Normalizing flows learn the probability density function (PDF) of the states explicitly, given prior states and control inputs. In addition to standard least squares (LSQ) objectives, this work derives a marginal log-likelihood (MLL) objective based on the explicit PDF and Markov chain simulations. In a reactor study, the normalizing flow MPC reduces the setpoint error in open and closed-loop cases to half that of a nominal controller. Furthermore, the chance constraints lead to fewer constraint violations than the nominal controller. The MLL objective yields slightly more stable results than the LSQ, particularly for small scenario sets.
• Abstract（参考訳）: 実世界の(バイオ)化学プロセスは、しばしば非自明な相関と状態依存的なゆらぎを持つ確率的ダイナミクスを示す。 モデル予測制御(MPC)はしばしば、信頼性の高い性能を達成するためにこれらの変動を考慮する必要がある。 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ノイズ項を追加するだけである。 本研究では,確率力学を学習するための離散時間モデルとして条件正規化フローを提案する。 正規化フローは、事前状態と制御入力が与えられた状態の確率密度関数(PDF)を明示的に学習する。 標準最小二乗法(LSQ)の目的に加えて、この研究は明示的なPDFとマルコフ連鎖シミュレーションに基づく限界対数類似度(MLL)の目的を導出する。 原子炉実験において、正規化流MPCは開ループおよび閉ループの場合のセットポイント誤差を名目制御器の半分に低減する。 さらに、チャンス制約は、名目コントローラよりも制約違反が少ない。 MLLの目的はLSQよりもわずかに安定な結果をもたらす。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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。