論文の概要: Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models

• arxiv url: http://arxiv.org/abs/2504.17966v1
• Date: Thu, 24 Apr 2025 22:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.591955
• Title: Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models
• Title（参考訳）: 不確実な量子化ポート-ハミルトンモデルを用いたプラグ・アンド・プレイ物理インフォームドラーニング
• Authors: Kaiyuan Tan, Peilun Li, Jun Wang, Thomas Beckers,
• Abstract要約: この課題に対処するために,Plug-and-Play Physics-In Machine Learning (PIML) フレームワークを導入する。 提案手法では, 固有予測器から物理一貫性モデルへの切り換えを行うために, コンフォメーション予測を用いる。 このようにして、提案するフレームワークは、アウト・オブ・ディストリビューションシナリオであっても、信頼性の高い物理インフォームド予測を生成する。
• 参考スコア（独自算出の注目度）: 5.1732651331429516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to predict trajectories of surrounding agents and obstacles is a crucial component in many robotic applications. Data-driven approaches are commonly adopted for state prediction in scenarios where the underlying dynamics are unknown. However, the performance, reliability, and uncertainty of data-driven predictors become compromised when encountering out-of-distribution observations relative to the training data. In this paper, we introduce a Plug-and-Play Physics-Informed Machine Learning (PnP-PIML) framework to address this challenge. Our method employs conformal prediction to identify outlier dynamics and, in that case, switches from a nominal predictor to a physics-consistent model, namely distributed Port-Hamiltonian systems (dPHS). We leverage Gaussian processes to model the energy function of the dPHS, enabling not only the learning of system dynamics but also the quantification of predictive uncertainty through its Bayesian nature. In this way, the proposed framework produces reliable physics-informed predictions even for the out-of-distribution scenarios.
• Abstract（参考訳）: 周囲のエージェントや障害物の軌跡を予測する能力は、多くのロボット応用において重要な要素である。 データ駆動型アプローチは、基礎となるダイナミクスが不明なシナリオで状態予測に一般的に採用されている。 しかし,データ駆動予測器の性能,信頼性,不確実性は,トレーニングデータに対するアウト・オブ・ディストリビューション・オブ・ディストリビューション(アウト・オブ・ディストリビューション)の観測に直面すると損なわれる。 本稿では,この課題に対処するためのPnP-PIML(Plug-and-Play Physics-Informed Machine Learning)フレームワークを提案する。 提案手法では, 整合予測を用いて不整合力学を同定し, その場合, 名目予測器から分散ポート・ハミルトン系(dPHS)への変換を行う。 我々はガウス過程を利用してdPHSのエネルギー関数をモデル化し、システム力学の学習だけでなく、ベイズの性質による予測の不確実性の定量化を可能にした。 このようにして、提案するフレームワークは、アウト・オブ・ディストリビューションシナリオであっても、信頼性の高い物理インフォームド予測を生成する。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Physics-Constrained Learning for PDE Systems with Uncertainty Quantified Port-Hamiltonian Models [0.7350858947639451]
  本稿では,強力な学習ツールと信頼性のある物理モデルを組み合わせた物理制約学習手法を提案する。 ガウス過程のベイズ的性質に基づいて、系の力学を学習するだけでなく、不確実な定量化を可能にする。
  論文  参考訳（メタデータ） (2024-06-17T17:52:01Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Gaussian Process Port-Hamiltonian Systems: Bayesian Learning with Physics Prior [17.812064311297117]
  データ駆動型アプローチは、収集されたデータに基づく複雑なダイナミクスのモデリングにおいて顕著な結果をもたらす。 これらのモデルは、現実世界のシステムの振る舞いを決定する基本的な物理原理を無視することが多い。 本研究では不確実な定量化を伴う物理インフォームドベイズ学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-15T20:59:41Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Physics-guided Deep Markov Models for Learning Nonlinear Dynamical Systems with Uncertainty [6.151348127802708]
  我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。 提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
  論文  参考訳（メタデータ） (2021-10-16T16:35:12Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Physics-aware, probabilistic model order reduction with guaranteed stability [0.0]
  実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。 粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
  論文  参考訳（メタデータ） (2021-01-14T19:16:51Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。