論文の概要: Kalman Filter Aided Federated Koopman Learning

• arxiv url: http://arxiv.org/abs/2507.04808v1
• Date: Mon, 07 Jul 2025 09:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.354861
• Title: Kalman Filter Aided Federated Koopman Learning
• Title（参考訳）: 連合クープマン学習を支援するカルマンフィルタ
• Authors: Yutao Chen, Wei Chen,
• Abstract要約: フェデレート・クープマン学習(KF-FedKL)を支援するカルマンフィルタを提案する。 KF-FedKLはカルマンフィルタと連合学習とクープマン解析の組み合わせの先駆者である。 具体的には、線形化のためのディープクープマンネットワークのトレーニングを駆動するために、単純だが効率的な損失関数を用いる。
• 参考スコア（独自算出の注目度）: 9.87932387334792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time control and estimation are pivotal for applications such as industrial automation and future healthcare. The realization of this vision relies heavily on efficient interactions with nonlinear systems. Therefore, Koopman learning, which leverages the power of deep learning to linearize nonlinear systems, has been one of the most successful examples of mitigating the complexity inherent in nonlinearity. However, the existing literature assumes access to accurate system states and abundant high-quality data for Koopman analysis, which is usually impractical in real-world scenarios. To fill this void, this paper considers the case where only observations of the system are available and where the observation data is insufficient to accomplish an independent Koopman analysis. To this end, we propose Kalman Filter aided Federated Koopman Learning (KF-FedKL), which pioneers the combination of Kalman filtering and federated learning with Koopman analysis. By doing so, we can achieve collaborative linearization with privacy guarantees. Specifically, we employ a straightforward yet efficient loss function to drive the training of a deep Koopman network for linearization. To obtain system information devoid of individual information from observation data, we leverage the unscented Kalman filter and the unscented Rauch-Tung-Striebel smoother. To achieve collaboration between clients, we adopt the federated learning framework and develop a modified FedAvg algorithm to orchestrate the collaboration. A convergence analysis of the proposed framework is also presented. Finally, through extensive numerical simulations, we showcase the performance of KF-FedKL under various situations.
• Abstract（参考訳）: リアルタイム制御と推定は、産業自動化や将来の医療といったアプリケーションにとって重要な要素である。 このビジョンの実現は非線形システムとの効率的な相互作用に大きく依存している。 したがって、非線形系を線形化するためにディープラーニングの力を利用するクープマン学習は、非線形性に固有の複雑性を緩和する最も成功した例の1つである。 しかし、既存の文献では、実際のシナリオでは非現実的なクープマン解析のために、正確なシステム状態と豊富な高品質のデータへのアクセスを前提としている。 この空白を埋めるために,本論文では,システムの観測のみが可能であり,観測データが不十分で独立したクープマン解析を達成できない場合について考察する。 そこで我々は,Kalman Filtered Coopman Learning (KF-FedKL)を提案する。 そうすることで、プライバシ保証と協調的な線形化を実現できます。 具体的には、線形化のためのディープクープマンネットワークのトレーニングを駆動するために、単純だが効率的な損失関数を用いる。 観測データから個々の情報を欠いたシステム情報を得るために,無意味なカルマンフィルタと無意味なRuch-Tung-Striebelスムーダを利用する。 クライアント間のコラボレーションを実現するため,我々はフェデレート学習フレームワークを採用し,協調を編成するためのFedAvgアルゴリズムを改良した。 また,提案フレームワークの収束解析について述べる。 最後に,様々な状況下でのKF-FedKLの性能を示す。

関連論文リスト

• Limits and Powers of Koopman Learning [0.0]
  力学系は様々な科学にまたがって複雑で変化する振る舞いを研究する包括的方法を提供する。 クープマン作用素は、線形手法を用いた非線形力学の研究を可能にするため、支配的なアプローチとして現れてきた。 テキスト 動的システムの軌道データからクープマン作用素のスペクトル特性を頑健に学習することは可能か?
  論文  参考訳（メタデータ） (2024-07-08T18:24:48Z)
• Factor-Assisted Federated Learning for Personalized Optimization with Heterogeneous Data [6.024145412139383]
  フェデレートラーニング(Federated Learning)は、データプライバシ保護を目的とした、新興の分散機械学習フレームワークである。 異なるクライアントのデータには、共通の知識とパーソナライズされた知識の両方が含まれている。 我々は、FedSplitと呼ばれる異種データのための、新しい個人化されたフェデレーション学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2023-12-07T13:05:47Z)
• Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
  FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。 本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。 その独特な洞察力のある性質とその分析も提示される。
  論文  参考訳（メタデータ） (2023-10-30T14:15:47Z)
• Equivariance and partial observations in Koopman operator theory for partial differential equations [1.099532646524593]
  システム力学の対称性はクープマン作用素に受け継がれることを示す。 我々は、完全な状態を測定することができない非常に関連性の高いケースに対処する。
  論文  参考訳（メタデータ） (2023-07-28T06:03:19Z)
• When Do Curricula Work in Federated Learning? [56.88941905240137]
  カリキュラム学習は非IID性を大幅に軽減する。 クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。 本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
  論文  参考訳（メタデータ） (2022-12-24T11:02:35Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
  本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。 本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T14:47:19Z)
• Toward Understanding the Influence of Individual Clients in Federated Learning [52.07734799278535]
  フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。 em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
  論文  参考訳（メタデータ） (2020-12-20T14:34:36Z)
• Extraction of Discrete Spectra Modes from Video Data Using a Deep Convolutional Koopman Network [0.0]
  クープマン理論の最近の深層学習拡張は、非線形力学系のコンパクトで解釈可能な表現を可能にした。 ディープ・クープマン・ネットワークはコープマン固有関数を学習し、座標変換を捉え、システムダイナミクスを大域的に線形化する。 離散スペクトルを持つ力学系における独立モードの自動同定における深い畳み込みクープマンネットワーク(CKN)の機能を示す。
  論文  参考訳（メタデータ） (2020-10-19T06:26:29Z)

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。