論文の概要: Analysis of Truncated Singular Value Decomposition for Koopman Operator-Based Lane Change Model
- arxiv url: http://arxiv.org/abs/2409.18586v1
- Date: Fri, 27 Sep 2024 09:45:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-01 21:55:30.132779
- Title: Analysis of Truncated Singular Value Decomposition for Koopman Operator-Based Lane Change Model
- Title（参考訳）: Koopman Operator-based Lane Change Model におけるTrncated Singular Value Decomposition の解析
- Authors: Chinnawut Nantabut,
- Abstract要約: Singular Value Decomposition (SVD) は、膨大なデータセットからクープマン作用素を効率的に近似するために用いられる。
本研究は,車線変化挙動モデルを表現するために,EDMDで使用される異なる基底関数と,切り離されたSVDのランクを評価する。
しかし, この結果から, 乱れたSVDの手法が必ずしも計算訓練時間を大幅に短縮するとは限らないことが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Understanding and modeling complex dynamic systems is crucial for enhancing vehicle performance and safety, especially in the context of autonomous driving. Recently, popular methods such as Koopman operators and their approximators, known as Extended Dynamic Mode Decomposition (EDMD), have emerged for their effectiveness in transforming strongly nonlinear system behavior into linear representations. This allows them to be integrated with conventional linear controllers. To achieve this, Singular Value Decomposition (SVD), specifically truncated SVD, is employed to approximate Koopman operators from extensive datasets efficiently. This study evaluates different basis functions used in EDMD and ranks for truncated SVD for representing lane change behavior models, aiming to balance computational efficiency with information loss. The findings, however, suggest that the technique of truncated SVD does not necessarily achieve substantial reductions in computational training time and results in significant information loss.
- Abstract（参考訳）: 複雑な動的システムの理解とモデリングは、特に自動運転の文脈において、車の性能と安全性を高めるために不可欠である。
近年, 強い非線形系の挙動を線形表現に変換する手法として, 拡張動的モード分解 (EDMD) と呼ばれる, クープマン演算子や近似器などの一般的な手法が出現している。
これにより、従来のリニアコントローラと統合できる。
これを実現するために、Singular Value Decomposition (SVD) と呼ばれる、特に切り詰められたSVDを用いて、広範囲なデータセットからクープマン演算子を効率的に近似する。
本研究は,車線変化行動モデルを表現するために,EDMDで使用される異なる基底関数と切り離されたSVDのランクを評価し,計算効率と情報損失のバランスをとることを目的とした。
しかし, この結果から, 乱れたSVDの手法が必ずしも計算訓練時間を大幅に短縮するとは限らないことが示唆された。
関連論文リスト
- DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。
我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。
LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-02-18T02:37:26Z) - Koopman AutoEncoder via Singular Value Decomposition for Data-Driven Long-Term Prediction [31.853422606200382]
固有値の制御は、高い計算複雑性と、トレーニングプロセス中にそれらを管理するのに困難があるため、難しい。
そこで本稿では, コップマン行列の特異値分解(SVD)を利用して, 長期予測を改善することを提案する。
実験により, 学習中, 特異値の損失項は単位円に近い固有値を効果的にもたらすことが示され, 提案手法は, 長期予測タスクにおいて, 既存のベースライン法よりも優れていた。
論文 参考訳（メタデータ） (2024-08-21T03:15:37Z) - Sobolev neural network with residual weighting as a surrogate in linear and non-linear mechanics [0.0]
本稿では、感度情報を含むトレーニングプロセスの改善について検討する。
計算力学では、トレーニング損失関数を拡張することにより、ニューラルネットワークに感性を適用することができる。
この改善は、線形および非線形な材料挙動の2つの例で示される。
論文 参考訳（メタデータ） (2024-07-23T13:28:07Z) - DeltaPhi: Learning Physical Trajectory Residual for PDE Solving [54.13671100638092]
我々は,物理軌道残差学習(DeltaPhi)を提案し,定式化する。
既存のニューラル演算子ネットワークに基づく残差演算子マッピングのサロゲートモデルについて学習する。
直接学習と比較して,PDEの解法には物理残差学習が望ましいと結論づける。
論文 参考訳（メタデータ） (2024-06-14T07:45:07Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Koopman Kernel Regression [6.116741319526748]
クープマン作用素理論は線形時間不変(LTI)ODEによる予測のキャラクタリゼーションに有効なパラダイムであることを示す。
我々は、LTI力学系への変換のみにまたがる、普遍的なクープマン不変核再生ヒルベルト空間(RKHS)を導出する。
実験では、Koopman演算子やシーケンシャルデータ予測器と比較して予測性能が優れていることを示した。
論文 参考訳（メタデータ） (2023-05-25T16:22:22Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Physics-guided Data Augmentation for Learning the Solution Operator of
Linear Differential Equations [2.1850269949775663]
ニューラルネットワークモデルの精度と一般化を改善するために,物理誘導型データ拡張法(PGDA)を提案する。
様々な線形微分方程式におけるPGDAの利点を実証し、PGDAがサンプルの複雑さを向上し、分布シフトに頑健であることを示す。
論文 参考訳（メタデータ） (2022-12-08T06:29:15Z) - Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。
データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。
この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
論文 参考訳（メタデータ） (2022-09-29T18:11:01Z) - How robust are pre-trained models to distribution shift? [82.08946007821184]
自己教師付き学習(SSL)と自己エンコーダベースモデル(AE)の相互関係が相互関係に与える影響を示す。
本研究では, 線形ヘッドの潜在バイアスから事前学習したモデルの性能を分離するために, アウト・オブ・ディストリビューション(OOD)データに基づいて訓練された線形ヘッドを用いた新しい評価手法を開発した。
論文 参考訳（メタデータ） (2022-06-17T16:18:28Z) - Derivative-Based Koopman Operators for Real-Time Control of Robotic
Systems [14.211417879279075]
本稿では, モデル誤差を拘束する非線形力学をデータ駆動で同定するための一般化可能な手法を提案する。
クープマン演算子に基づく線形表現を構築し,テイラー級数精度解析を用いて誤差境界を導出する。
制御と組み合わせると、非線形系のクープマン表現は競合する非線形モデリング法よりも極端に優れた性能を持つ。
論文 参考訳（メタデータ） (2020-10-12T15:15:13Z)
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。