論文の概要: An adaptive data sampling strategy for stabilizing dynamical systems via controller inference
- arxiv url: http://arxiv.org/abs/2506.01816v1
- Date: Mon, 02 Jun 2025 15:56:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 01:42:09.31686
- Title: An adaptive data sampling strategy for stabilizing dynamical systems via controller inference
- Title（参考訳）: コントローラ推論による動的システムの安定化のための適応データサンプリング戦略
- Authors: Steffen W. R. Werner, Benjamin Peherstorfer,
- Abstract要約: 本稿では,データ収集時の不安定性を回避するため,システムの安定化を同時に図りながらデータを生成する適応型サンプリング手法を提案する。
軽微な仮定の下では、この手法は、安定化に有益で最小のサイズのデータセットを確実に生成する。
提案手法は、エッジケースにおける安定化システムへの扉を開き、不安定な状態やデータ収集が本質的に困難である場合に制限することを示す。
- 参考スコア（独自算出の注目度）: 0.5261718469769449
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning stabilizing controllers from data is an important task in engineering applications; however, collecting informative data is challenging because unstable systems often lead to rapidly growing or erratic trajectories. In this work, we propose an adaptive sampling scheme that generates data while simultaneously stabilizing the system to avoid instabilities during the data collection. Under mild assumptions, the approach provably generates data sets that are informative for stabilization and have minimal size. The numerical experiments demonstrate that controller inference with the novel adaptive sampling approach learns controllers with up to one order of magnitude fewer data samples than unguided data generation. The results show that the proposed approach opens the door to stabilizing systems in edge cases and limit states where instabilities often occur and data collection is inherently difficult.
- Abstract（参考訳）: データからコントローラを安定化させることは、エンジニアリングアプリケーションにおいて重要な課題である。
本研究では,データ収集時の不安定性を回避するため,システムの安定化を同時に図りながらデータを生成する適応型サンプリング方式を提案する。
軽微な仮定の下では、この手法は、安定化に有益で最小のサイズのデータセットを確実に生成する。
数値実験により、新しい適応サンプリング手法によるコントローラ推論は、誘導されていないデータ生成よりも最大1桁少ないデータサンプルでコントローラを学習することを示した。
提案手法は、エッジケースにおける安定化システムへの扉を開き、不安定な状態やデータ収集が本質的に困難である場合に制限することを示す。
関連論文リスト
- Direct Data Driven Control Using Noisy Measurements [6.157271985036265]
本稿では、乱れやノイズのある状態測定の下で線形二次制御器(LQR)を解くための、新しい直接データ駆動制御フレームワークを提案する。
提案手法は凸最適化手法を用いて平均二乗安定性と最適性能を保証する。
提案するフレームワークは,騒音破壊環境における制御器設計のための実用的,理論的に基礎的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-05-09T20:09:44Z) - LAPD: Langevin-Assisted Bayesian Active Learning for Physical Discovery [5.373182035720355]
Langevin-Assisted Active Physical Discovery (LAPD) は、モンテカルロのレプリカ交換勾配を統合したフレームワークである。
LAPDはノイズデータを用いた信頼性,不確実性を考慮した識別を実現する。
Lotka-Volterra, Lorenz, Burgers, Convection-Diffusion equationsなどの非線形系のLAPDを評価する。
論文 参考訳（メタデータ） (2025-03-04T20:17:24Z) - Stochastic Gradient Descent with Adaptive Data [4.119418481809095]
勾配降下(SGD)は、オンライン学習シナリオにおいて特に有用である強力な最適化手法である。
オペレーションリサーチにおけるポリシー最適化問題へのSGDの適用には、環境を変えてポリシー更新に使用するデータに影響を与えるという、明確な課題が伴う。
過去の決定が生成したデータに与える影響は、勾配推定におけるバイアスを導入し、iidケースに存在しないオンライン学習の不安定性の潜在的な原因を示す。
適応データによるSGDの収束速度は, 政策誘起力学の混合時間に係わる限り, 古典的イド設定とほとんど同様であることを示す。
論文 参考訳（メタデータ） (2024-10-02T02:58:32Z) - Automating Dataset Updates Towards Reliable and Timely Evaluation of Large Language Models [81.27391252152199]
大規模言語モデル(LLM)は、さまざまな自然言語ベンチマークで素晴らしいパフォーマンスを実現している。
本稿では、データセットの自動更新と、その有効性に関する体系的な分析を提案する。
1) 類似したサンプルを生成するための戦略を模倣すること,2) 既存のサンプルをさらに拡張する戦略を拡張すること,である。
論文 参考訳（メタデータ） (2024-02-19T07:15:59Z) - Context-aware controller inference for stabilizing dynamical systems
from scarce data [0.0]
本研究は,データ不足から高次元力学系を安定化するためのデータ駆動制御手法を導入する。
提案手法は, 制御系を安定化させるためには, 制御系が不安定な力学のみにのみ局所的に作用する必要があるという観測に基づいている。
論文 参考訳（メタデータ） (2022-07-22T12:41:53Z) - Data Sampling Affects the Complexity of Online SGD over Dependent Data [54.92366535993012]
本研究では,データサンプリング方式の違いが,高依存データに対するオンライン勾配勾配勾配の複雑さにどのように影響するかを示す。
データサンプルのサブサンプリングさえも、高度に依存したデータに対するオンラインSGDの収束を加速することができる。
論文 参考訳（メタデータ） (2022-03-31T07:48:30Z) - A Deep-Learning Intelligent System Incorporating Data Augmentation for
Short-Term Voltage Stability Assessment of Power Systems [9.299576471941753]
本稿では,電力系統のSTVSAにデータ拡張を取り入れた新しいディープラーニング知能システムを提案する。
半教師付きクラスタ学習を利用して、ラベル付きサンプルを元の小さなデータセットで取得する。
条件付き最小二乗生成逆数ネットワーク(LSGAN)ベースのデータ拡張を導入し、元のデータセットを拡張する。
論文 参考訳（メタデータ） (2021-12-05T11:40:54Z) - The Impact of Data on the Stability of Learning-Based Control- Extended
Version [63.97366815968177]
本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。
ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
論文 参考訳（メタデータ） (2020-11-20T19:10:01Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - Learning Stabilizing Controllers for Unstable Linear Quadratic
Regulators from a Single Trajectory [85.29718245299341]
線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。
楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。
高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
論文 参考訳（メタデータ） (2020-06-19T08:58:57Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳（メタデータ） (2020-05-25T12:13:49Z)
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。