Fugu-MT 論文翻訳(概要): Learning Optimal Control and Dynamical Structure of Global Trajectory Search Problems with Diffusion Models

論文の概要: Learning Optimal Control and Dynamical Structure of Global Trajectory Search Problems with Diffusion Models

arxiv url: http://arxiv.org/abs/2410.02976v1
Date: Thu, 3 Oct 2024 20:35:23 GMT
ステータス: 処理完了
システム内更新日: 2024-11-03 04:45:27.599799
Title: Learning Optimal Control and Dynamical Structure of Global Trajectory Search Problems with Diffusion Models
Title（参考訳）: 拡散モデルを用いたグローバル軌道探索問題の最適制御と動的構造学習
Authors: Jannik Graebner, Anjian Li, Amlan Sinha, Ryne Beeson,
Abstract要約: 本稿では,循環制限型3体問題における2つの大域的探索問題について検討する。我々は、拡散モデルを適用して条件付き確率分布を学習するために、事前生成機械学習フレームワークを構築した。
参考スコア（独自算出の注目度）: 0.5399800035598186
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spacecraft trajectory design is a global search problem, where previous work has revealed specific solution structures that can be captured with data-driven methods. This paper explores two global search problems in the circular restricted three-body problem: hybrid cost function of minimum fuel/time-of-flight and transfers to energy-dependent invariant manifolds. These problems display a fundamental structure either in the optimal control profile or the use of dynamical structures. We build on our prior generative machine learning framework to apply diffusion models to learn the conditional probability distribution of the search problem and analyze the model's capability to capture these structures.
Abstract（参考訳）: 宇宙機軌道設計は地球規模の探索問題であり、過去の研究でデータ駆動方式で捉えることができる特定の解構造が明らかになった。本稿では, 最小燃料/飛行時間のハイブリッドコスト関数とエネルギー依存不変多様体への移動の2つの大域的探索問題について検討する。これらの問題は、最適制御プロファイルまたは動的構造の使用において基本的な構造を示す。本研究では,拡散モデルを適用して,探索問題の条件付き確率分布を学習し,これらの構造を捉えるモデルの能力を解析する。

関連論文リスト

Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。本研究ではまず,生成モデルの本質的な特徴について考察する。本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文参考訳（メタデータ） (2024-11-01T09:05:47Z)
Towards Learning Foundation Models for Heuristic Functions to Solve Pathfinding Problems [12.990207889359402]
パスフィニング問題は、ロボティクス、計算科学、自然科学などに見られる。これらの問題を解決するには、新しい問題領域ごとにディープニューラルネットワーク(DNN)をトレーニングする必要がある。本研究では,新しいドメインにシームレスに適応する関数の訓練に深層強化学習を活用する新しい基礎モデルを提案する。
論文参考訳（メタデータ） (2024-06-01T16:18:20Z)
ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
論文参考訳（メタデータ） (2024-05-22T15:23:10Z)
Deep Learning Based Dynamics Identification and Linearization of Orbital Problems using Koopman Theory [0.0]
本研究では, 2-Body 問題と円制限 3-Body 問題の同時同定と大域的線形化のための枠組みを提案する。本稿では、クープマン作用素が、再訓練を必要とせずに、他の様々な2音素系に一般化できる能力を示す。
論文参考訳（メタデータ） (2024-03-13T21:11:58Z)
Amortized Global Search for Efficient Preliminary Trajectory Design with Deep Generative Models [1.1602089225841632]
予備軌道設計は、軌道最適化問題に対する複数の定性的異なる解を求める大域的問題である。本稿では,AGS (Global Search) フレームワークを提案する。提案手法は,Derustの5番目の機能と,低次円周制限3体問題を用いて評価した。
論文参考訳（メタデータ） (2023-08-07T23:52:03Z)
Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文参考訳（メタデータ） (2022-05-25T17:37:08Z)
Exploring Neural Models for Query-Focused Summarization [74.41256438059256]
クエリ中心の要約(QFS)に対するニューラルネットワークの体系的な探索を行う。本稿では,QMSumデータセットの最先端性能を最大3.38ROUGE-1,3.72ROUGE-2,3.28ROUGE-Lのマージンで達成する2つのモデル拡張を提案する。
論文参考訳（メタデータ） (2021-12-14T18:33:29Z)
Triple-level Model Inferred Collaborative Network Architecture for Video Deraining [43.06607185181434]
我々は,協調最適化と自動探索機構を用いてネットワークアーキテクチャを推定するモデル誘導三段階最適化フレームワークを開発した。我々のモデルは、最先端の作業よりも忠実度と時間的一貫性が著しく向上したことを示している。
論文参考訳（メタデータ） (2021-11-08T13:09:00Z)
Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文参考訳（メタデータ） (2020-11-10T19:31:29Z)
Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文参考訳（メタデータ） (2020-02-20T15:00:54Z)
A Deep Reinforcement Learning Algorithm Using Dynamic Attention Model for Vehicle Routing Problems [20.52666896700441]
本稿では,NPハード問題,車両ルーティング問題に焦点をあてる。本モデルは,従来の手法よりも優れ,また,優れた一般化性能を示す。
論文参考訳（メタデータ） (2020-02-09T04:51:53Z)

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。