論文の概要: Data-Driven Density Steering via the Gromov-Wasserstein Optimal Transport Distance

• arxiv url: http://arxiv.org/abs/2508.06052v1
• Date: Fri, 08 Aug 2025 06:21:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.100588
• Title: Data-Driven Density Steering via the Gromov-Wasserstein Optimal Transport Distance
• Title（参考訳）: Gromov-Wasserstein Optimal Transport Distanceによるデータ駆動密度ステアリング
• Authors: Haruto Nakashima, Siddhartha Ganguly, Kenji Kashima,
• Abstract要約: 我々はGromov-Wasserstein 計量を用いて,データ駆動型確率密度ステアリング問題に取り組む。 結果は、様々なデータ駆動型スキームを通して、我々のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 0.06554326244334867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We tackle the data-driven chance-constrained density steering problem using the Gromov-Wasserstein metric. The underlying dynamical system is an unknown linear controlled recursion, with the assumption that sufficiently rich input-output data from pre-operational experiments are available. The initial state is modeled as a Gaussian mixture, while the terminal state is required to match a specified Gaussian distribution. We reformulate the resulting optimal control problem as a difference-of-convex program and show that it can be efficiently and tractably solved using the DC algorithm. Numerical results validate our approach through various data-driven schemes.
• Abstract（参考訳）: 我々はGromov-Wasserstein 計量を用いて,データ駆動型確率制約密度ステアリング問題に取り組む。 基礎となる力学系は未知の線形制御再帰であり、事前操作実験から十分にリッチな入出力データが利用できると仮定する。 初期状態はガウス混合としてモデル化され、終状態は指定されたガウス分布に一致する必要がある。 得られた最適制御問題をコンベックス差分プログラムとして再構成し、DCアルゴリズムを用いて効率よく、かつ、トラクタブルに解けることを示す。 数値的な結果は、様々なデータ駆動方式によるアプローチを検証する。

関連論文リスト

• An Iterative Bayesian Approach for System Identification based on Linear Gaussian Models [86.05414211113627]
  システム識別の問題に取り組み、入力を選択し、実際のシステムから対応する出力を観測し、データに最も合うようにモデルのパラメータを最適化する。 本稿では,任意のシステムやパラメトリックモデルと互換性のある,フレキシブルで計算可能な手法を提案する。
  論文  参考訳（メタデータ） (2025-01-28T01:57:51Z)
• Sobolev Space Regularised Pre Density Models [51.558848491038916]
  本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。 この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
  論文  参考訳（メタデータ） (2023-07-25T18:47:53Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• A Physics-informed Deep Learning Approach for Minimum Effort Stochastic Control of Colloidal Self-Assembly [9.791617215182598]
  制御目的は、所定の初期確率尺度から最小制御労力で所定の終端確率尺度へ状態PDFを操る観点から定式化される。 我々は、関連する最適制御問題に対する最適性の条件を導出する。 提案手法の性能は, ベンチマークコロイド自己集合問題に対する数値シミュレーションにより検証した。
  論文  参考訳（メタデータ） (2022-08-19T07:01:57Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• Projected Sliced Wasserstein Autoencoder-based Hyperspectral Images Anomaly Detection [42.585075865267946]
  本稿では,PSW自動エンコーダを用いた異常検出手法を提案する。 特に、計算フレンドリーな固有分解法を利用して、高次元データをスライスする主成分を見つける。 様々な実世界のハイパースペクトル異常検出ベンチマークで実施した総合的な実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-20T09:21:02Z)
• Extracting Stochastic Governing Laws by Nonlocal Kramers-Moyal Formulas [3.8325907381729496]
  我々は、(ガウス)ブラウン運動と(非ガウス)レヴィ運動の両方を用いて、規制法則を抽出するデータ駆動アプローチを提案する。 このアプローチがL'evy運動を伴う微分方程式を学習できることを実証する。
  論文  参考訳（メタデータ） (2021-08-28T04:56:51Z)
• Extracting Governing Laws from Sample Path Data of Non-Gaussian Stochastic Dynamical Systems [4.527698247742305]
  我々は、利用可能なデータから非ガウスL'evy雑音の方程式を推定し、動的挙動を合理的に予測する。 理論的枠組みを確立し、非対称なL'evyジャンプ測度、ドリフト、拡散を計算する数値アルゴリズムを設計する。 この方法は、利用可能なデータセットから規制法則を発見し、複雑なランダム現象のメカニズムを理解するのに有効なツールとなる。
  論文  参考訳（メタデータ） (2021-07-21T14:50:36Z)

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。