論文の概要: Learning State-Space Models of Dynamic Systems from Arbitrary Data using Joint Embedding Predictive Architectures

• arxiv url: http://arxiv.org/abs/2508.10489v1
• Date: Thu, 14 Aug 2025 09:46:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.260451
• Title: Learning State-Space Models of Dynamic Systems from Arbitrary Data using Joint Embedding Predictive Architectures
• Title（参考訳）: 予測アーキテクチャを用いた任意データからの動的システムの状態空間モデル学習
• Authors: Jonas Ulmen, Ganesh Sundaram, Daniel Görges,
• Abstract要約: 本稿では,任意の観測データから連続時間力学系を用いた世界モデル作成手法を提案する。 提案手法は, ニューラル常微分方程式(ニューラルODE)とシーケンス埋め込みを統合する。 状態遷移における収縮埋め込みとリプシッツ定数を強制する損失関数を用いて、よく組織化された潜在状態空間を構築する。
• 参考スコア（独自算出の注目度）: 1.8434042562191812
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the advent of Joint Embedding Predictive Architectures (JEPAs), which appear to be more capable than reconstruction-based methods, this paper introduces a novel technique for creating world models using continuous-time dynamic systems from arbitrary observation data. The proposed method integrates sequence embeddings with neural ordinary differential equations (neural ODEs). It employs loss functions that enforce contractive embeddings and Lipschitz constants in state transitions to construct a well-organized latent state space. The approach's effectiveness is demonstrated through the generation of structured latent state-space models for a simple pendulum system using only image data. This opens up a new technique for developing more general control algorithms and estimation techniques with broad applications in robotics.
• Abstract（参考訳）: 本稿では,JEPA(Joint Embedding Predictive Architectures)の出現とともに,任意の観測データから連続時間動的システムを用いて世界モデルを作成する新しい手法を提案する。 提案手法は, 配列埋め込みをニューラル常微分方程式(Neural ODE)と統合する。 状態遷移における収縮埋め込みとリプシッツ定数を強制する損失関数を用いて、よく組織化された潜在状態空間を構築する。 この手法の有効性は、画像データのみを用いた単純な振り子システムのための構造化潜在状態空間モデルの生成によって実証される。 これにより、ロボット工学の幅広い応用により、より汎用的な制御アルゴリズムと推定技術を開発するための新しいテクニックが開かれる。

関連論文リスト

• Optimality Principles and Neural Ordinary Differential Equations-based Process Modeling for Distributed Control [0.0]
  プロセス制御のための機械学習と分析の最近の進歩は、新しいデータ駆動手法を古典的なプロセスモデルと制御とどのように自然に統合するかという疑問を提起している。 本稿では,一貫したトポロジ特性と膨大な量の保存を通じて,データ駆動型アルゴリズムの統合を可能にするプロセスモデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-06T18:16:46Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-06-13T02:03:22Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
  非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。 我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
  論文  参考訳（メタデータ） (2024-03-03T02:19:49Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Universal set of Observables for Forecasting Physical Systems through Causal Embedding [0.0]
  我々は、基底となる力学系や観測の左無限軌道全体が、異なる空間にある一対の要素によって一意に表現できる時と方法を示す。 そのようなペアの集まりは、駆動力学系から派生したもので、駆動系と共に関数を学ぶために用いられる: (つまり、トポロジカルに基底系に共役する系を決定する。
  論文  参考訳（メタデータ） (2021-05-22T16:28:57Z)
• 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)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)

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。