Fugu-MT 論文翻訳(概要): Violina: Various-of-trajectories Identification of Linear Time-invariant Non-Markovian Dynamics

論文の概要: Violina: Various-of-trajectories Identification of Linear Time-invariant Non-Markovian Dynamics

arxiv url: http://arxiv.org/abs/2409.19978v1
Date: Mon, 30 Sep 2024 06:04:54 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 16:27:46.893298
Title: Violina: Various-of-trajectories Identification of Linear Time-invariant Non-Markovian Dynamics
Title（参考訳）: Violina: 線形時間不変な非マルコフダイナミクスの様々な軌跡同定
Authors: Ryoji Anzaki, Kazuhiro Sato,
Abstract要約: 本稿では,新しいシステム識別手法であるViolinaを提案する。提案手法により同定されたマルコフ状態空間モデルと非マルコフ状態空間モデルは、既存の動的分解法で同定されたモデルと比較して、かなり優れた一般化性能を有することを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a new system identification method Violina (various-of-trajectories identification of linear time-invariant non-Markovian dynamics). In the Violina framework, we optimize the coefficient matrices of state-space model and memory kernel in the given space using a projected gradient descent method so that its model prediction matches the set of multiple observed data. Using Violina we can identify a linear non-Markovian dynamical system with constraints corresponding to a priori knowledge on the model parameters and memory effects. Using synthetic data, we numerically demonstrate that the Markovian and non-Markovian state-space models identified by the proposed method have considerably better generalization performances compared to the models identified by an existing dynamic decomposition-based method.
Abstract（参考訳）: 線形時間不変な非マルコフ力学の様々な軌跡を同定するシステム同定手法であるViolinaを提案する。 In the Violina framework, we optimization the coefficient matrices of state-space model and memory kernel in the given space using a projected gradient descent method that its model prediction between the set of multiple observed data。 Violinaを用いることで、モデルパラメータとメモリ効果に関する事前知識に対応する制約を持つ線形非マルコフ力学系を特定できる。合成データを用いて,提案手法により同定されたマルコフ状態空間モデルと非マルコフ状態空間モデルが,既存の動的分解法で同定されたモデルと比較して,かなり優れた一般化性能を有することを示す。

関連論文リスト

Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
論文参考訳（メタデータ） (2024-11-04T16:12:37Z)
Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
BINDy -- Bayesian identification of nonlinear dynamics with reversible-jump Markov-chain Monte-Carlo [0.0]
モデルパーシモニーは、データ駆動型モデリングにおける重要な認識バイアスであり、解釈可能性を助け、過度な適合を防ぐのに役立つ。非線形力学(SINDy)法のスパース同定は、データから直接複素力学のスパース表現を学習することができる。 SINDyの代替として,辞書学習システム識別のベイズ的新しい治療法が提案されている。
論文参考訳（メタデータ） (2024-08-15T10:03:30Z)
Robust identification of non-autonomous dynamical systems using stochastic dynamics models [0.0]
本稿では, 非線形・非線形非自律系における雑音・スパースデータからのシステム識別(ID)の問題について考察する。隠れマルコフモデル学習のためのベイズ式から導かれる目的関数を提案し,解析する。提案手法は,システムIDに適合するスムーズさと本質的な正規化を改善したことを示す。
論文参考訳（メタデータ） (2022-12-20T16:36:23Z)
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)
Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文参考訳（メタデータ） (2021-12-29T23:37:06Z)
A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文参考訳（メタデータ） (2021-11-26T06:33:29Z)
Learning Stable Koopman Embeddings [9.239657838690228]
本稿では,非線形システムの安定モデル学習のための新しいデータ駆動手法を提案する。離散時間非線形契約モデルはすべて、我々のフレームワークで学習できることを実証する。
論文参考訳（メタデータ） (2021-10-13T05:44:13Z)
Gaussian processes meet NeuralODEs: A Bayesian framework for learning the dynamics of partially observed systems from scarce and noisy data [0.0]
本稿では,非線形力学系の部分的,雑音的,不規則な観測からベイズ系を同定する機械学習フレームワーク(GP-NODE)を提案する。提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。捕食者予備システム,システム生物学,50次元ヒューマンモーションダイナミクスシステムを含む提案GP-NODE法の有効性を示すために,一連の数値的研究を行った。
論文参考訳（メタデータ） (2021-03-04T23:42:14Z)
Bayesian differential programming for robust systems identification under uncertainty [14.169588600819546]
本稿では,非線形力学系のノイズ,スパース,不規則な観測からベイズ系を同定する機械学習フレームワークを提案する。提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。スパーシティプロモーティングプリエントを用いることで、下層の潜在力学に対する解釈可能かつ同義的な表現の発見が可能になる。
論文参考訳（メタデータ） (2020-04-15T00:51:14Z)
Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文参考訳（メタデータ） (2020-02-24T19:30:32Z)

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。