Fugu-MT 論文翻訳(概要): Sparse Kalman Identification for Partially Observable Systems via Adaptive Bayesian Learning

論文の概要: Sparse Kalman Identification for Partially Observable Systems via Adaptive Bayesian Learning

arxiv url: http://arxiv.org/abs/2511.18051v1
Date: Sat, 22 Nov 2025 13:07:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-25 18:34:24.602336
Title: Sparse Kalman Identification for Partially Observable Systems via Adaptive Bayesian Learning
Title（参考訳）: 適応ベイズ学習による部分観測可能なシステムのスパースカルマン同定
Authors: Jilan Mei, Tengjie Zheng, Lin Cheng, Shengping Gong, Xu Huang,
Abstract要約: 本稿では、拡張カルマンフィルタ(AKF)と自動関連判定(ARD)を統合したオンラインスパースカルマン識別(SKI)手法を提案する。 SKI法は, シミュレーションや実世界の実験で示すように, ミリ秒レベルの効率と高い識別精度で高精度なモデル構造選択を実現する。
参考スコア（独自算出の注目度）: 5.53015758763324
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Sparse dynamics identification is an essential tool for discovering interpretable physical models and enabling efficient control in engineering systems. However, existing methods rely on batch learning with full historical data, limiting their applicability to real-time scenarios involving sequential and partially observable data. To overcome this limitation, this paper proposes an online Sparse Kalman Identification (SKI) method by integrating the Augmented Kalman Filter (AKF) and Automatic Relevance Determination (ARD). The main contributions are: (1) a theoretically grounded Bayesian sparsification scheme that is seamlessly integrated into the AKF framework and adapted to sequentially collected data in online scenarios; (2) an update mechanism that adapts the Kalman posterior to reflect the updated selection of the basis functions that define the model structure; (3) an explicit gradient-descent formulation that enhances computational efficiency. Consequently, the SKI method achieves accurate model structure selection with millisecond-level efficiency and higher identification accuracy, as demonstrated by extensive simulations and real-world experiments (showing an 84.21\% improvement in accuracy over the baseline AKF).
Abstract（参考訳）: スパース力学の同定は、解釈可能な物理モデルを発見し、工学系における効率的な制御を可能にするための重要なツールである。しかし、既存の手法は、完全な履歴データによるバッチ学習に依存しており、シーケンシャルかつ部分的に観測可能なデータを含むリアルタイムシナリオへの適用性を制限している。この制限を克服するために,拡張カルマンフィルタ(AKF)と自動関連判定(ARD)を統合したオンラインスパースカルマン識別(SKI)手法を提案する。主な貢献は,(1)AKFフレームワークにシームレスに統合され,オンラインシナリオにおいて逐次的に収集されたデータに適応する理論的に基底化されたベイズスペーシフィケーションスキーム,(2)モデル構造を定義する基底関数の更新選択にカルマンを適応させる更新機構,(3)計算効率を高める明示的な勾配の定式化である。その結果、SKI法は、広範囲なシミュレーションや実世界の実験(ベースラインAKFよりも84.21倍の精度向上)によって示されるように、ミリ秒レベルの効率と高い識別精度で正確なモデル構造選択を実現する。

関連論文リスト

Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2025-11-15T08:39:22Z)
On-line learning of dynamic systems: sparse regression meets Kalman filtering [41.99844472131922]
我々は、制御理論からグラウストーンアルゴリズムを統合することで、空間駆動型アプローチをリアルタイム学習に拡張する -- カルマンフィルタ(KF) その結果、Sindy Kalman Filter (KF) は、未知のシステムパラメータを状態変数として扱うことによって両方のフレームワークを統一する。実飛行データから構築した疎非線形航空機モデルのリアルタイム同定におけるKFの有効性を実証する。
論文参考訳（メタデータ） (2025-11-14T11:24:05Z)
Reinforcement learning based data assimilation for unknown state model [3.032674692886751]
本研究では,強化学習とアンサンブルに基づくベイジアン・ファルトリング手法を組み合わせた新しい手法を提案する。提案フレームワークは, 非線形および部分観測計測モデルを含む, 幅広い観測シナリオに対応している。いくつかの数値的な例では,提案手法は高次元設定における精度とロバスト性を向上することを示した。
論文参考訳（メタデータ） (2025-11-04T05:58:37Z)
SHAP-Guided Regularization in Machine Learning Models [1.0515439489916734]
本稿では,特徴量制約をモデルトレーニングに組み込んだSHAP誘導正規化フレームワークを提案する。提案手法は, アントロピーに基づくペナルティを応用し, スパース, 集中した特徴属性の促進と, 試料間の安定性の促進を図った。
論文参考訳（メタデータ） (2025-07-31T15:45:38Z)
An Efficient Machine Learning Framework for Forest Height Estimation from Multi-Polarimetric Multi-Baseline SAR data [2.395410408500006]
本稿では,LiDARプロファイルを用いた多チャンネルSAR処理をGT(GT)として用いた森林高度推定フレームワークFGumpを紹介する。精度と計算効率のバランスを保ち、手動設計の特徴の限られたセットを使い、重い前処理を避ける(例えば、キャリブレーションや量子化)。実験の結果,FGumpはAIベースおよび古典的手法よりも優れており,精度が向上し,トレーニングや推論時間も著しく低下していることがわかった。
論文参考訳（メタデータ） (2025-07-28T13:07:23Z)
EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
論文参考訳（メタデータ） (2025-06-14T05:19:58Z)
Recursive Gaussian Process State Space Model [9.626897250334155]
動作領域とGPハイパーパラメータの両方に適応可能な新しいオンラインGPSSM法を提案する。ポイントを誘導するオンライン選択アルゴリズムは、情報的基準に基づいて開発され、軽量な学習を実現する。合成データセットと実世界のデータセットの総合的な評価は,提案手法の精度,計算効率,適応性を示す。
論文参考訳（メタデータ） (2024-11-22T02:22:59Z)
Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文参考訳（メタデータ） (2024-01-17T09:01:29Z)
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)
Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文参考訳（メタデータ） (2023-06-14T11:41:42Z)
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)
An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文参考訳（メタデータ） (2021-06-06T02:27:55Z)

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。