論文の概要: Online Bayesian Experimental Design for Partially Observed Dynamical Systems
- arxiv url: http://arxiv.org/abs/2511.04403v1
- Date: Thu, 06 Nov 2025 14:29:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.455178
- Title: Online Bayesian Experimental Design for Partially Observed Dynamical Systems
- Title（参考訳）: 部分的に観測された力学系のオンラインベイズ実験設計
- Authors: Sara Pérez-Vieites, Sahel Iqbal, Simo Särkkä, Dominik Baumann,
- Abstract要約: 本研究では,部分可観測性を持つ動的システムにおけるデータ収集を最適化するための基本的フレームワークを開発する。
我々のフレームワークは、部分観測可能性とオンライン推論の両方をうまく処理します。
- 参考スコア（独自算出の注目度）: 10.774974720491565
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian experimental design (BED) provides a principled framework for optimizing data collection, but existing approaches do not apply to crucial real-world settings such as dynamical systems with partial observability, where only noisy and incomplete observations are available. These systems are naturally modeled as state-space models (SSMs), where latent states mediate the link between parameters and data, making the likelihood -- and thus information-theoretic objectives like the expected information gain (EIG) -- intractable. In addition, the dynamical nature of the system requires online algorithms that update posterior distributions and select designs sequentially in a computationally efficient manner. We address these challenges by deriving new estimators of the EIG and its gradient that explicitly marginalize latent states, enabling scalable stochastic optimization in nonlinear SSMs. Our approach leverages nested particle filters (NPFs) for efficient online inference with convergence guarantees. Applications to realistic models, such as the susceptible-infected-recovered (SIR) and a moving source location task, show that our framework successfully handles both partial observability and online computation.
- Abstract（参考訳）: ベイズ実験設計(BED)は、データ収集を最適化するための原則的なフレームワークを提供するが、既存のアプローチは、ノイズや不完全な観測しかできない部分的な可観測性を持つ動的システムのような重要な現実世界の設定には適用されない。
これらのシステムは自然に状態空間モデル(SSM)としてモデル化され、潜在状態はパラメータとデータの間のリンクを仲介し、期待される情報ゲイン(EIG)のような情報理論の目的を抽出できる。
さらに、システムの動的性質は、後続分布を更新し、逐次的に計算効率良く設計を選定するオンラインアルゴリズムを必要とする。
本研究では, 非線形SSMにおける拡張確率最適化を実現するために, EIGの新しい推定器とその勾配を導出することによって, これらの課題に対処する。
提案手法はネスト粒子フィルタ(NPF)を利用して収束保証を伴う効率的なオンライン推論を行う。
SIR(Susceptible-infected-Recovered)や移動ソース配置タスクといった現実的なモデルへの応用は、我々のフレームワークが部分観測可能性とオンライン計算の両方をうまく処理できることを示します。
関連論文リスト
- Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。
直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。
我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
論文 参考訳（メタデータ） (2026-01-26T03:52:16Z) - Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。
i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-09T06:26:02Z) - Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification [6.5745172279769255]
本稿では,潜在状態と内部スケジューリング変数を同時に学習するニューラルネットワークに基づく状態空間モデルを提案する。
状態遷移行列はシュールのパラメータ化によって安定であることが保証される。
提案するNN-SSは, ベンチマーク非線形システム上で評価され, モデルが古典的部分空間同定手法と一貫して一致するか, 上回っていることを示す。
論文 参考訳（メタデータ） (2025-10-21T10:25:54Z) - Modeling Partially Observed Nonlinear Dynamical Systems and Efficient Data Assimilation via Discrete-Time Conditional Gaussian Koopman Network [1.3110675202172877]
高次元複素力学系の代理モデルを学習するために、条件付きガウス・クープマンネットワーク(CGKN)を開発した。
このフレームワークは、科学機械学習(SciML)とデータ同化を統一する。
論文 参考訳（メタデータ） (2025-07-11T16:59:27Z) - High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。
近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。
機能適応型INR(FA-INR)を提案する。
論文 参考訳（メタデータ） (2025-06-07T16:45:17Z) - PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。
生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。
我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
論文 参考訳（メタデータ） (2025-05-25T21:12:01Z) - 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) - Nonparametric Filtering, Estimation and Classification using Neural Jump ODEs [3.437372707846067]
ニューラルジャンプODEは、ニューラルジャンプODEによる観測と新しい観測の到着時のジャンプの間の条件予測をモデル化する。
彼らは、不規則かつ部分的な観察を伴う設定において、完全なデータ駆動オンライン予測の有効性を実証した。
この作業は、フレームワークをインプット・アウトプット・システムに拡張し、オンラインフィルタリングと分類における直接的なアプリケーションを可能にする。
論文 参考訳（メタデータ） (2024-12-04T12:31:15Z) - Modeling Spatio-temporal Dynamical Systems with Neural Discrete Learning
and Levels-of-Experts [33.335735613579914]
本稿では,ビデオフレームなどの観測結果に基づいて,時間・動的システムの状態変化をモデル化し,推定することの課題に対処する。
本稿では、一般的な物理プロセスの法則をデータ駆動方式で捉えるために、ユニバーサルエキスパートモジュール、すなわち光フロー推定コンポーネントを提案する。
我々は、既存のSOTAベースラインと比較して、提案フレームワークが大きなパフォーマンスマージンを達成することを示すため、広範囲な実験と改善を実施している。
論文 参考訳（メタデータ） (2024-02-06T06:27:07Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z)
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。