論文の概要: Space-Filling Regularization for Robust and Interpretable Nonlinear State Space Models

• arxiv url: http://arxiv.org/abs/2507.07792v1
• Date: Thu, 10 Jul 2025 14:19:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.437729
• Title: Space-Filling Regularization for Robust and Interpretable Nonlinear State Space Models
• Title（参考訳）: ロバストかつ解釈可能な非線形状態空間モデルに対する空間充足正規化
• Authors: Hermann Klein, Max Heinz Herkersdorf, Oliver Nelles,
• Abstract要約: トレーニング中、状態軌跡は著しく変形し、状態空間のデータカバレッジが低下する。 これは、空間指向のトレーニングアルゴリズムに重大な問題を引き起こす可能性がある。 本稿では、状態空間における良好なデータ分布を保証する新しいタイプの空間充足正規化を提案する。
• 参考スコア（独自算出の注目度）: 0.16385815610837165
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The state space dynamics representation is the most general approach for nonlinear systems and often chosen for system identification. During training, the state trajectory can deform significantly leading to poor data coverage of the state space. This can cause significant issues for space-oriented training algorithms which e.g. rely on grid structures, tree partitioning, or similar. Besides hindering training, significant state trajectory deformations also deteriorate interpretability and robustness properties. This paper proposes a new type of space-filling regularization that ensures a favorable data distribution in state space via introducing a data-distribution-based penalty. This method is demonstrated in local model network architectures where good interpretability is a major concern. The proposed approach integrates ideas from modeling and design of experiments for state space structures. This is why we present two regularization techniques for the data point distributions of the state trajectories for local affine state space models. Beyond that, we demonstrate the results on a widely known system identification benchmark.
• Abstract（参考訳）: 状態空間ダイナミクス表現は非線形系において最も一般的なアプローチであり、しばしばシステム同定のために選択される。 トレーニング中、状態軌跡は著しく変形し、状態空間のデータカバレッジが低下する。 これは、例えばグリッド構造やツリーパーティショニングなどに依存する空間指向のトレーニングアルゴリズムに重大な問題を引き起こす可能性がある。 障害訓練の他に、重要な状態軌跡変形は解釈性や頑健性も劣化した。 本稿では,データ分散に基づくペナルティを導入することで,状態空間におけるデータ分散を確実にする新しいタイプの空間充足正規化を提案する。 この手法は、優れた解釈可能性が大きな関心事であるローカルモデルネットワークアーキテクチャにおいて実証される。 提案手法は、状態空間構造の実験のモデリングと設計からアイデアを統合する。 そこで我々は,局所アフィン状態空間モデルに対する状態軌道のデータ点分布に対する2つの正規化手法を提案する。 さらに、広く知られているシステム識別ベンチマークで結果を示す。

関連論文リスト

• Fine-grained Spatio-temporal Event Prediction with Self-adaptive Anchor Graph [8.435985634889285]
  本稿では,詳細な事象予測のためのグラフ時空間点(GSTPP)モデルを提案する。 エンコーダ・コーダアーキテクチャを採用し、空間的局所化領域の状態ダイナミクスを共同でモデル化する。 提案したGSTPPモデルは,微細なイベント予測の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-01-15T08:38:07Z)
• LISA: Learning-Integrated Space Partitioning Framework for Traffic Accident Forecasting on Heterogeneous Spatiotemporal Data [14.726248469735971]
  交通事故の予測は、インテリジェントな交通管理と緊急対応システムにとって重要な課題である。 既存のデータ駆動手法では、異なるスケールの空間上の異種事故パターンを処理できない。 本稿では,モデルの学習中に分割を同時に学習するLearning-Integrated Space Partition Framework(LISA)を提案する。
  論文  参考訳（メタデータ） (2024-12-19T19:52:19Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Spatial Entropy Regularization for Vision Transformers [71.44392961125807]
  視覚変換器(VT)は、訓練が監督されたときに自然に出現しない意味的セグメンテーション構造を含むことができる。 本稿では,情報エントロピーの空間的定式化に基づくVT正規化手法を提案する。 提案手法は,異なるトレーニングシナリオ,データセット,下流タスク,VTアーキテクチャに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-06-09T17:34:39Z)
• Cyclic Graph Attentive Match Encoder (CGAME): A Novel Neural Network For OD Estimation [8.398623478484248]
  知的交通システム(ITS)時代における交通管理・交通シミュレーションにおける原位置推定の役割 これまでのモデルベースのモデルは、未決定の課題に直面しており、追加の仮定と追加のデータに対する必死な需要が存在する。 本稿では,2層アテンション機構を備えた新しいグラフマッチング手法であるC-GAMEを提案する。
  論文  参考訳（メタデータ） (2021-11-26T08:57:21Z)
• Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
  畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。 この目標をシンプルで効果的な設計で効果的に達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-08T03:35:32Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)
• Discrete Variational Attention Models for Language Generation [51.88612022940496]
  本稿では,言語における離散性に起因する注意機構のカテゴリー分布を考慮した離散的変動注意モデルを提案する。 離散性の特質により,提案手法の訓練は後部崩壊に支障を来さない。
  論文  参考訳（メタデータ） (2020-04-21T05:49:04Z)

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。