論文の概要: Filtering Jump Markov Systems with Partially Known Dynamics: A Model-Based Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2511.09569v1
• Date: Fri, 14 Nov 2025 01:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.328728
• Title: Filtering Jump Markov Systems with Partially Known Dynamics: A Model-Based Deep Learning Approach
• Title（参考訳）: 部分的に知られたダイナミクスを持つジャンプマルコフ系のフィルタリング:モデルに基づく深層学習手法
• Authors: George Stamatelis, George C. Alexandropoulos,
• Abstract要約: JMFNetは、ジャンプマルコフシステムにおけるリアルタイム状態推定のための新しいモデルベースのディープラーニングフレームワークである。 2つのリカレントニューラルネットワーク(RNN)からなるハイブリッドアーキテクチャを提案する。 提案したRNNは,潜伏モードの監督なしに相互適応可能な最小二乗戦略を用いて共同で訓練される。
• 参考スコア（独自算出の注目度）: 33.421237778335076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents the Jump Markov Filtering Network (JMFNet), a novel model-based deep learning framework for real-time state-state estimation in jump Markov systems with unknown noise statistics and mode transition dynamics. A hybrid architecture comprising two Recurrent Neural Networks (RNNs) is proposed: one for mode prediction and another for filtering that is based on a mode-augmented version of the recently presented KalmanNet architecture. The proposed RNNs are trained jointly using an alternating least squares strategy that enables mutual adaptation without supervision of the latent modes. Extensive numerical experiments on linear and nonlinear systems, including target tracking, pendulum angle tracking, Lorenz attractor dynamics, and a real-life dataset demonstrate that the proposed JMFNet framework outperforms classical model-based filters (e.g., interacting multiple models and particle filters) as well as model-free deep learning baselines, particularly in non-stationary and high-noise regimes. It is also showcased that JMFNet achieves a small yet meaningful improvement over the KalmanNet framework, which becomes much more pronounced in complicated systems or long trajectories. Finally, the method's performance is empirically validated to be consistent and reliable, exhibiting low sensitivity to initial conditions, hyperparameter selection, as well as to incorrect model knowledge
• Abstract（参考訳）: 本稿では,Jump Markov Filtering Network (JMFNet)を提案する。これは,未知の雑音統計とモード遷移ダイナミクスを持つジャンプマルコフシステムにおいて,リアルタイム状態推定のための新しいモデルベースディープラーニングフレームワークである。 2つのリカレントニューラルネットワーク(RNN)からなるハイブリッドアーキテクチャが提案されている。1つはモード予測用であり、もう1つは最近発表されたKalmanNetアーキテクチャのモード拡張バージョンに基づくフィルタリング用である。 提案したRNNは,潜伏モードの監督なしに相互適応可能な最小二乗戦略を用いて共同で訓練される。 目標追跡,振り子角追跡,ローレンツ誘引子ダイナミクス,実生活データセットなど,線形および非線形系の広範な数値実験により,提案したJMFNetフレームワークは,古典的モデルベースフィルタ(例えば,複数モデルと粒子フィルタの相互作用)とモデルフリーディープラーニングベースライン,特に非定常および高雑音状態において,優れた性能を示す。 また、JMFNetはKalmanNetフレームワークよりも小さなが意味のある改善を実現している。 最後に,本手法の信頼性と信頼性を実証的に検証し,初期条件に対する感度の低さ,ハイパーパラメータ選択,不正確なモデル知識を示す。

関連論文リスト

• 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)
• Deep Recurrent Stochastic Configuration Networks for Modelling Nonlinear Dynamic Systems [3.8719670789415925]
  本稿ではディープリカレント構成ネットワーク(DeepRSCN)と呼ばれる新しいディープリカレント計算フレームワークを提案する。 DeepRSCNはインクリメンタルに構築され、すべての貯水池ノードは最終的な出力に直接リンクする。 トレーニングサンプルのセットが与えられた場合、DeepRSCNは、カスケードされた入力読み出し重みを持つランダム基底関数からなる学習表現を迅速に生成できる。
  論文  参考訳（メタデータ） (2024-10-28T10:33:15Z)
• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
  複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。 国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。 我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• On the adaptation of recurrent neural networks for system identification [2.5234156040689237]
  本稿では,動的システムのリカレントニューラルネットワーク(RNN)モデルの高速かつ効率的な適応を可能にするトランスファー学習手法を提案する。 その後、システムダイナミクスが変化すると仮定され、摂動系における名目モデルの性能が不可避的に低下する。 ミスマッチに対処するため、新しい動的状態からの新鮮なデータに基づいてトレーニングされた付加的補正項でモデルを拡張する。
  論文  参考訳（メタデータ） (2022-01-21T12:04:17Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Neural-iLQR: A Learning-Aided Shooting Method for Trajectory Optimization [17.25824905485415]
  制約のない制御空間上の学習支援シューティング手法であるNeural-iLQRを提案する。 システムモデルにおける不正確さの存在下で、従来のiLQRよりも著しく優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-21T07:17:28Z)

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。