論文の概要: Nonlinear Federated System Identification

• arxiv url: http://arxiv.org/abs/2508.15025v1
• Date: Wed, 20 Aug 2025 19:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.075518
• Title: Nonlinear Federated System Identification
• Title（参考訳）: 非線形フェデレーションシステム同定
• Authors: Omkar Tupe, Max Hartman, Lav R. Varshney, Saurav Prakash,
• Abstract要約: フェデレートラーニングは、参加するクライアントの数が増えるにつれて、個々のクライアントの収束を継続的に改善します。 我々は、クライアントデバイスがi.d.入力とi.d.ランダム摂動を示す制御ポリシーによって駆動される物理的環境で、我々の理論を実験的に検証する。
• 参考スコア（独自算出の注目度）: 17.017762658485903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider federated learning of linearly-parameterized nonlinear systems. We establish theoretical guarantees on the effectiveness of federated nonlinear system identification compared to centralized approaches, demonstrating that the convergence rate improves as the number of clients increases. Although the convergence rates in the linear and nonlinear cases differ only by a constant, this constant depends on the feature map $\phi$, which can be carefully chosen in the nonlinear setting to increase excitation and improve performance. We experimentally validate our theory in physical settings where client devices are driven by i.i.d. control inputs and control policies exhibiting i.i.d. random perturbations, ensuring non-active exploration. Experiments use trajectories from nonlinear dynamical systems characterized by real-analytic feature functions, including polynomial and trigonometric components, representative of physical systems including pendulum and quadrotor dynamics. We analyze the convergence behavior of the proposed method under varying noise levels and data distributions. Results show that federated learning consistently improves convergence of any individual client as the number of participating clients increases.
• Abstract（参考訳）: 線形パラメータ化非線形システムの連合学習について考察する。 我々は,集中型アプローチと比較して,連合型非線形システム同定の有効性に関する理論的保証を確立し,クライアント数が増加するにつれて収束率が向上することを示した。 線形および非線形の場合の収束速度は定数によってのみ異なるが、この定数は特徴写像 $\phi$ に依存する。 我々は、クライアントデバイスが制御入力とランダム摂動を示す制御ポリシーによって駆動される物理的環境において、我々の理論を実験的に検証し、非アクティブな探索を保証する。 実験では、多項式や三角成分を含む実解析的特徴関数を特徴とする非線形力学系の軌道を用いる。 提案手法の収束挙動を様々なノイズレベルとデータ分布で解析する。 その結果、連携学習は、参加するクライアントの数が増えるにつれて、個々のクライアントの収束を継続的に改善することが示された。

関連論文リスト

• Neural Contraction Metrics with Formal Guarantees for Discrete-Time Nonlinear Dynamical Systems [17.905596843865705]
  収縮メトリクスは、様々な力学系の安定性、堅牢性、収束性を分析する強力なフレームワークを提供する。 しかしながら、複雑な非線形系に対するこれらの指標の同定は、効果的なツールが欠如しているため、未解決の課題である。 本稿では,離散的スケーラブル非線形システムに対する検証可能な収縮指標について述べる。
  論文  参考訳（メタデータ） (2025-04-23T21:27:32Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• ADAM-SINDy: An Efficient Optimization Framework for Parameterized Nonlinear Dynamical System Identification [0.0]
  本稿では,ADAM-SINDyと呼ばれるSINDyフレームワークの新たな手法を提案する。 ADAM-SINDyはADAM最適化アルゴリズムを用いて確立されたアプローチの強みを合成する。 その結果、パラメータ化力学系を同定する際の大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-10-21T21:36:17Z)
• Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
  非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。 鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
  論文  参考訳（メタデータ） (2023-05-24T20:43:47Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Learning over All Stabilizing Nonlinear Controllers for a Partially-Observed Linear System [4.3012765978447565]
  線形力学系に対する非線形出力フィードバックコントローラのパラメータ化を提案する。 提案手法は, 制約を満たすことなく, 部分的に観測可能な線形力学系の閉ループ安定性を保証する。
  論文  参考訳（メタデータ） (2021-12-08T10:43:47Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)

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。