Fugu-MT 論文翻訳(概要): Non-Asymptotic Bounds for Closed-Loop Identification of Unstable Nonlinear Stochastic Systems

論文の概要: Non-Asymptotic Bounds for Closed-Loop Identification of Unstable Nonlinear Stochastic Systems

arxiv url: http://arxiv.org/abs/2412.04157v1
Date: Thu, 05 Dec 2024 13:45:35 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-06 14:39:00.768756
Title: Non-Asymptotic Bounds for Closed-Loop Identification of Unstable Nonlinear Stochastic Systems
Title（参考訳）: 不安定な非線形確率系の閉ループ同定のための非漸近境界
Authors: Seth Siriya, Jingge Zhu, Dragan Nešić, Ye Pu,
Abstract要約: 単軌道データから最小2乗パラメータを推定する問題を考える。我々は,この領域で状態軌跡が進化する際の推定誤差について,漸近的でない保証を確立する。状態空間全体が情報的であれば、エラーホールドが常に高い確率で保証される。
参考スコア（独自算出の注目度）: 5.102311052155507
License:
Abstract: We consider the problem of least squares parameter estimation from single-trajectory data for discrete-time, unstable, closed-loop nonlinear stochastic systems, with linearly parameterised uncertainty. Assuming a region of the state space produces informative data, and the system is sub-exponentially unstable, we establish non-asymptotic guarantees on the estimation error at times where the state trajectory evolves in this region. If the whole state space is informative, high probability guarantees on the error hold for all times. Examples are provided where our results are useful for analysis, but existing results are not.
Abstract（参考訳）: 離散時間, 不安定, 閉ループ非線形確率系に対する単軌道データから最小2乗パラメータ推定を線形パラメータ化の不確かさで検討する。状態空間の領域が情報的データを生成し、システムがサブ指数的に不安定であると仮定すると、状態軌道がこの領域で進化する際の推定誤差について漸近的でない保証を確立する。状態空間全体が情報的であれば、エラーホールドが常に高い確率で保証される。私たちの結果は分析に有用だが、既存の結果は役に立たない。

関連論文リスト

Real-Time Tube-Based Non-Gaussian Risk Bounded Motion Planning for Stochastic Nonlinear Systems in Uncertain Environments via Motion Primitives [9.088960941718]
不確実な環境下での非線形システムの動作計画問題を考える。 [1]とは異なり、リアルタイムなオンライン動作計画アルゴリズムを提案する。総和二乗プログラミングを用いた決定論的リスクに対する管の安全性を検証する。
論文参考訳（メタデータ） (2023-03-02T23:36:26Z)
Non-Gaussian Uncertainty Minimization Based Control of Stochastic Nonlinear Robotic Systems [9.088960941718]
我々は、不確実性や乱れによる名目状態軌跡からのシステムの状態のずれを最小限に抑える状態フィードバックコントローラを設計する。我々はモーメントと特徴関数を用いて、ロボットシステムの非線形運動モデル全体にわたって不確実性を伝播する。
論文参考訳（メタデータ） (2023-03-02T23:31:32Z)
Information-Theoretic Safe Exploration with Gaussian Processes [89.31922008981735]
未知の(安全でない)制約に反するパラメータを評価できないような、逐次的な意思決定タスクについて検討する。現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
論文参考訳（メタデータ） (2022-12-09T15:23:58Z)
Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
論文参考訳（メタデータ） (2022-10-14T15:20:17Z)
Finite Sample Identification of Bilinear Dynamical Systems [29.973598501311233]
未知の双線形系を高い確率で所望の精度で推定する方法を示す。サンプルの複雑性と統計的誤差率は, 軌道長, 系の寸法, 入力サイズで最適である。
論文参考訳（メタデータ） (2022-08-29T22:34:22Z)
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)
Bayesian Algorithms Learn to Stabilize Unknown Continuous-Time Systems [0.0]
線形力学系は、不確実な力学を持つ植物の学習に基づく制御のための標準モデルである。この目的のための信頼性の高い安定化手順は、不安定なデータから有効に学習し、有限時間でシステムを安定化させることができない。本研究では,未知の連続時間線形系を安定化する新しい学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-30T15:31:35Z)
Nonlinear Discrete-time Systems' Identification without Persistence of Excitation: A Finite-time Concurrent Learning [0.0]
離散時間非線形系の不確かさを近似するために,有限時間同時学習法を提案する。厳密な証明は、推定されたパラメータの最適値への有限時間収束を保証する。
論文参考訳（メタデータ） (2021-12-14T22:19:20Z)
Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文参考訳（メタデータ） (2021-11-22T08:54:10Z)
Stability and Identification of Random Asynchronous Linear Time-Invariant Systems [81.02274958043883]
線形力学系の安定性に対するランダム化と非同期化の付加的な利点を示す。未知のランダム化LTIシステムに対して,基礎となる力学を復元するための系統的同定手法を提案する。
論文参考訳（メタデータ） (2020-12-08T02:00:04Z)
Fine-Grained Analysis of Stability and Generalization for Stochastic Gradient Descent [55.85456985750134]
我々は,SGDの反復的リスクによって制御される新しい境界を開発する,平均モデル安定性と呼ばれる新しい安定性尺度を導入する。これにより、最良のモデルの振舞いによって一般化境界が得られ、低雑音環境における最初の既知の高速境界が導かれる。我々の知る限りでは、このことはSGDの微分不能な損失関数でさえも初めて知られている安定性と一般化を与える。
論文参考訳（メタデータ） (2020-06-15T06:30:19Z)

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。