Fugu-MT 論文翻訳(概要): dynoGP: Deep Gaussian Processes for dynamic system identification

論文の概要: dynoGP: Deep Gaussian Processes for dynamic system identification

arxiv url: http://arxiv.org/abs/2502.05620v1
Date: Sat, 08 Feb 2025 15:57:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-11 14:35:14.735199
Title: dynoGP: Deep Gaussian Processes for dynamic system identification
Title（参考訳）: dynoGP:動的システム同定のための深いガウス過程
Authors: Alessio Benavoli, Dario Piga, Marco Forgione, Marco Zaffalon,
Abstract要約: ガウスディープ・プロセスの特定のクラス(ディープGP)に基づく力学系に対するシステム同定の新しい手法を提案する。提案手法は,ニューラルネットワークアーキテクチャに基づくようなデータ駆動手法の強みと,確率分布を出力する能力を組み合わせる。シミュレーションデータと実世界のデータの両方を用いて,提案手法の有効性を実証する。
参考スコア（独自算出の注目度）: 0.7692572272935511
License:
Abstract: In this work, we present a novel approach to system identification for dynamical systems, based on a specific class of Deep Gaussian Processes (Deep GPs). These models are constructed by interconnecting linear dynamic GPs (equivalent to stochastic linear time-invariant dynamical systems) and static GPs (to model static nonlinearities). Our approach combines the strengths of data-driven methods, such as those based on neural network architectures, with the ability to output a probability distribution. This offers a more comprehensive framework for system identification that includes uncertainty quantification. Using both simulated and real-world data, we demonstrate the effectiveness of the proposed approach.
Abstract（参考訳）: 本研究では,Deep Gaussian Processes (Deep GPs) の特定のクラスに基づいて,力学系に対するシステム同定の新しい手法を提案する。これらのモデルは線形動的GP(確率線形時間不変力学系と等価)と静的GP(静的非線形性をモデル化する)を相互に相互接続することによって構成される。提案手法は,ニューラルネットワークアーキテクチャに基づくようなデータ駆動手法の強みと,確率分布を出力する能力を組み合わせる。これは、不確実性定量化を含むシステム識別のためのより包括的なフレームワークを提供する。シミュレーションデータと実世界のデータの両方を用いて,提案手法の有効性を実証する。

関連論文リスト

Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文参考訳（メタデータ） (2024-11-04T11:09:58Z)
Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
論文参考訳（メタデータ） (2024-07-19T15:32:15Z)
Data-Driven Model Selections of Second-Order Particle Dynamics via Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
論文参考訳（メタデータ） (2023-11-01T23:45:15Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文参考訳（メタデータ） (2022-02-25T20:00:56Z)
Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文参考訳（メタデータ） (2021-12-10T11:09:29Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
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)
Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文参考訳（メタデータ） (2020-06-18T04:54:11Z)
SINDy-PI: A Robust Algorithm for Parallel Implicit Sparse Identification of Nonlinear Dynamics [4.996878640124385]
我々は、暗黙的ダイナミクスと有理非線形性を識別するSINDyアルゴリズムの頑健な変種を開発する。提案手法は,従来の手法よりも数桁のノイズが強いことを示す。
論文参考訳（メタデータ） (2020-04-05T21:35:53Z)

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。