論文の概要: LILAD: Learning In-context Lyapunov-stable Adaptive Dynamics Models

• arxiv url: http://arxiv.org/abs/2511.21846v1
• Date: Wed, 26 Nov 2025 19:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.261302
• Title: LILAD: Learning In-context Lyapunov-stable Adaptive Dynamics Models
• Title（参考訳）: LILAD: In-context Lyapunov-stable Adaptive Dynamics Models
• Authors: Amit Jena, Na Li, Le Xie,
• Abstract要約: LILADは、安定性と適応性を共同で保証する、システム識別のための新しいフレームワークである。 我々は、LILADをベンチマーク自律システム上で評価し、適応性、堅牢性、非適応性のベースラインを予測精度で上回ることを示す。
• 参考スコア（独自算出の注目度）: 4.66260462241022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: System identification in control theory aims to approximate dynamical systems from trajectory data. While neural networks have demonstrated strong predictive accuracy, they often fail to preserve critical physical properties such as stability and typically assume stationary dynamics, limiting their applicability under distribution shifts. Existing approaches generally address either stability or adaptability in isolation, lacking a unified framework that ensures both. We propose LILAD (Learning In-Context Lyapunov-stable Adaptive Dynamics), a novel framework for system identification that jointly guarantees adaptability and stability. LILAD simultaneously learns a dynamics model and a Lyapunov function through in-context learning (ICL), explicitly accounting for parametric uncertainty. Trained across a diverse set of tasks, LILAD produces a stability-aware, adaptive dynamics model alongside an adaptive Lyapunov certificate. At test time, both components adapt to a new system instance using a short trajectory prompt, which enables fast generalization. To rigorously ensure stability, LILAD also computes a state-dependent attenuator that enforces a sufficient decrease condition on the Lyapunov function for any state in the new system instance. This mechanism extends stability guarantees even under out-of-distribution and out-of-task scenarios. We evaluate LILAD on benchmark autonomous systems and demonstrate that it outperforms adaptive, robust, and non-adaptive baselines in predictive accuracy.
• Abstract（参考訳）: 制御理論におけるシステム同定は、軌道データから力学系を近似することを目的としている。 ニューラルネットワークは強い予測精度を示してきたが、安定性などの重要な物理的特性の保存に失敗し、通常は定常力学を仮定し、分布シフトによる適用性を制限する。 既存のアプローチは一般的に、安定性または独立性のどちらかに対処し、両方を確実にする統一されたフレームワークを欠いている。 LILAD(Learning In-Context Lyapunov-stable Adaptive Dynamics)を提案する。 LILADはインコンテキスト学習(ICL)を通じて動的モデルとリアプノフ関数を同時に学習し、パラメトリック不確実性を明示的に説明する。 LILADは様々なタスクにまたがって訓練され、アダプティブなリャプノフ証明書とともに安定性を意識した適応力学モデルを生成する。 テスト時には、両方のコンポーネントが短いトラジェクトリプロンプトを使用して新しいシステムインスタンスに適応する。 安定性を厳格に確保するために、LILADは、新しいシステムインスタンスの任意の状態に対するリャプノフ関数の十分な減少条件を強制する状態依存減衰器も計算する。 このメカニズムは、アウト・オブ・ディストリビューションやアウト・オブ・タスクのシナリオであっても、安定性を保証する。 我々は、LILADをベンチマーク自律システム上で評価し、適応性、堅牢性、非適応性のベースラインを予測精度で上回ることを示す。

関連論文リスト

• 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)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Zubov-Net: Adaptive Stability for Neural ODEs Reconciling Accuracy with Robustness [0.16355471507854133]
  本稿ではZubovNetという適応型安定学習フレームワークを提案する。 本稿では,PRoAsを直接最適化することで,ロアの形状を積極的に制御する新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:01:51Z)
• Lyapunov-stable Neural Control for State and Output Feedback: A Novel Formulation [67.63756749551924]
  学習ベースのニューラルネットワーク(NN)制御ポリシは、ロボット工学と制御の幅広いタスクにおいて、印象的な経験的パフォーマンスを示している。 非線形力学系を持つNNコントローラのトラクション領域(ROA)に対するリアプノフ安定性の保証は困難である。 我々は、高速な経験的ファルシフィケーションと戦略的正則化を用いて、Lyapunov証明書とともにNNコントローラを学習するための新しいフレームワークを実証する。
  論文  参考訳（メタデータ） (2024-04-11T17:49:15Z)
• Learning Over Contracting and Lipschitz Closed-Loops for Partially-Observed Nonlinear Systems (Extended Version) [1.2430809884830318]
  本稿では非線形な部分観測力学系に対する学習に基づく制御のためのポリシーパラメータ化を提案する。 結果のYoula-RENパラメータ化は自動的に安定性(収縮)とユーザチューニング可能な堅牢性(Lipschitz)を満足することを示した。 We found that the Youla-REN are also like to existing learning-based and optimal control method, also ensure stability and exhibiting improve robustness to adversarial disturbances。
  論文  参考訳（メタデータ） (2023-04-12T23:55:56Z)
• KCRL: Krasovskii-Constrained Reinforcement Learning with Guaranteed Stability in Nonlinear Dynamical Systems [66.9461097311667]
  形式的安定性を保証するモデルに基づく強化学習フレームワークを提案する。 提案手法は,特徴表現を用いて信頼区間までシステムダイナミクスを学習する。 我々は、KCRLが、基礎となる未知のシステムとの有限数の相互作用において安定化ポリシーを学ぶことが保証されていることを示す。
  論文  参考訳（メタデータ） (2022-06-03T17:27:04Z)
• Recurrent Equilibrium Networks: Flexible Dynamic Models with Guaranteed Stability and Robustness [3.2872586139884623]
  本稿では,機械学習,システム識別,制御における再帰平衡ネットワーク(REN)を提案する。 RENはRNの二次ベクトルによって直接パラメータ化され、安定性とロバスト性はパラメータ制約なしで確保される。 また,データ駆動型非線形オブザーバの設計と安定性保証による制御への応用について述べる。
  論文  参考訳（メタデータ） (2021-04-13T05:09:41Z)
• Stability and Identification of Random Asynchronous Linear Time-Invariant Systems [81.02274958043883]
  線形力学系の安定性に対するランダム化と非同期化の付加的な利点を示す。 未知のランダム化LTIシステムに対して,基礎となる力学を復元するための系統的同定手法を提案する。
  論文  参考訳（メタデータ） (2020-12-08T02:00:04Z)
• Efficient Empowerment Estimation for Unsupervised Stabilization [75.32013242448151]
  エンパワーメント原理は 直立位置での 力学系の教師なし安定化を可能にする 本稿では,ガウスチャネルとして動的システムのトレーニング可能な表現に基づく代替解を提案する。 提案手法は, サンプルの複雑さが低く, 訓練時より安定であり, エンパワーメント機能の本質的特性を有し, 画像からエンパワーメントを推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:10:16Z)

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。