Fugu-MT 論文翻訳(概要): State Estimation Using Sparse DEIM and Recurrent Neural Networks

論文の概要: State Estimation Using Sparse DEIM and Recurrent Neural Networks

arxiv url: http://arxiv.org/abs/2410.15982v1
Date: Mon, 21 Oct 2024 13:12:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-22 13:15:35.592123
Title: State Estimation Using Sparse DEIM and Recurrent Neural Networks
Title（参考訳）: スパースDIMとリカレントニューラルネットワークを用いた状態推定
Authors: Mohammad Farazmand,
Abstract要約: 本稿では,再帰型ニューラルネットワークを用いて,スパース観測時系列からカーネルベクトルを推定するデータ駆動手法を提案する。数値的な例を用いて、この機械学習アプローチがS-DEIMと共にほぼ最適な状態推定をもたらすことを示す。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Discrete Empirical Interpolation Method (DEIM) estimates a function from its pointwise incomplete observations. In particular, this method can be used to estimate the state of a dynamical system from observational data gathered by sensors. However, when the number of observations are limited, DEIM returns large estimation errors. Sparse DEIM (S-DEIM) was recently developed to address this problem by introducing a kernel vector which previous DEIM-based methods had ignored. Unfortunately, estimating the optimal kernel vector in S-DEIM is a difficult task. Here, we introduce a data-driven method to estimate this kernel vector from sparse observational time series using recurrent neural networks. Using numerical examples, we demonstrate that this machine learning approach together with S-DEIM leads to nearly optimal state estimations.
Abstract（参考訳）: 離散経験補間法(DEIM)は、その不完全な点から関数を推定する。特に,センサによって収集された観測データから力学系の状態を推定するために,本手法を用いることができる。しかし、観測回数が限られている場合、DeIMは大きな推定誤差を返す。 S-DEIM(Sparse DEIM)は、最近、従来のDIMベースのメソッドが無視していたカーネルベクトルを導入してこの問題に対処するために開発された。残念なことに、S-DEIMにおける最適カーネルベクトルの推定は難しい作業である。本稿では、このカーネルベクトルを、リカレントニューラルネットワークを用いてスパース観測時系列から推定するデータ駆動手法を提案する。数値的な例を用いて、この機械学習アプローチがS-DEIMと共にほぼ最適な状態推定をもたらすことを示す。

関連論文リスト

Error estimation for physics-informed neural networks with implicit Runge-Kutta methods [0.0]
本研究では,NNの予測を高次暗黙的ルンゲ・クッタ(IRK)法で用いることを提案する。方程式の暗黙の系における残差は、NNの予測誤差と関係し得るので、軌道に沿ったいくつかの点で誤差推定を行うことができる。この誤差推定は,NNの予測誤差と非常に相関し,IRK法の順序を増大させることで,この推定精度が向上することが判明した。
論文参考訳（メタデータ） (2024-01-10T15:18:56Z)
Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T14:27:27Z)
Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文参考訳（メタデータ） (2023-02-10T08:05:19Z)
FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文参考訳（メタデータ） (2022-10-10T12:35:02Z)
Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文参考訳（メタデータ） (2022-07-12T16:08:04Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Bayesian inference of ODEs with Gaussian processes [17.138448665454373]
本稿では、ガウス過程を用いて未知のODEシステムの後部をデータから直接推測する新しいベイズ非パラメトリックモデルを提案する。ベクトル場後部を表すために,分離された関数型サンプリングを用いてスパース変分推論を導出する。この手法はベクトル場後部演算の利点を示し、予測不確実性スコアは複数のODE学習タスクにおける代替手法よりも優れている。
論文参考訳（メタデータ） (2021-06-21T08:09:17Z)
Rapid Risk Minimization with Bayesian Models Through Deep Learning Approximation [9.93116974480156]
本稿では,ベイズモデル (BM) とニューラルネットワーク (NN) を組み合わせて,予測を最小限のリスクで行う手法を提案する。私たちのアプローチは、BMのデータ効率と解釈可能性とNNの速度を組み合わせます。テストデータセットに無視できる損失がある標準手法よりも、リスク最小限の予測をはるかに高速に達成する。
論文参考訳（メタデータ） (2021-03-29T15:08:25Z)
Advantage of Deep Neural Networks for Estimating Functions with Singularity on Hypersurfaces [23.21591478556582]
我々は、ディープニューラルネットワーク(DNN)が他の標準手法よりも優れている理由を説明するために、ミニマックスレート分析を開発する。本研究では,超曲面上の特異点を持つ非滑らか関数のクラスを推定することにより,このギャップを埋めようとしている。
論文参考訳（メタデータ） (2020-11-04T12:51:14Z)
Learning interaction kernels in stochastic systems of interacting particles from multiple trajectories [13.3638879601361]
相互作用する粒子やエージェントのシステムと、相互作用カーネルによって決定されるダイナミクスを考察する。正規化極大推定器に基づく逆問題に対する非パラメトリック推論手法を提案する。相関条件により,この問題の条件数を制御し,推定器の整合性を証明することができることを示す。
論文参考訳（メタデータ） (2020-07-30T01:28:06Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。