論文の概要: Unified Meta-Representation and Feedback Calibration for General Disturbance Estimation

• arxiv url: http://arxiv.org/abs/2601.02762v1
• Date: Tue, 06 Jan 2026 06:53:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.652351
• Title: Unified Meta-Representation and Feedback Calibration for General Disturbance Estimation
• Title（参考訳）: 一般外乱推定のための統一メタ表現とフィードバック校正
• Authors: Zihan Yang, Jindou Jia, Meng Wang, Yuhang Liu, Kexin Guo, Xiang Yu,
• Abstract要約: 本稿では,メタラーニングとフィードバック校正によるオンライン適応に基づく外乱推定フレームワークを提案する。 過去の観測の有限時間窓から特徴を抽出することにより、一般的な非構造的乱れを効果的に捉える統一表現を学習することができる。 本研究の枠組みは, 四重項飛行実験で示されるように, 複数の急激な乱れを効果的に推定する。
• 参考スコア（独自算出の注目度）: 15.761366602886868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise control in modern robotic applications is always an open issue due to unknown time-varying disturbances. Existing meta-learning-based approaches require a shared representation of environmental structures, which lack flexibility for realistic non-structural disturbances. Besides, representation error and the distribution shifts can lead to heavy degradation in prediction accuracy. This work presents a generalizable disturbance estimation framework that builds on meta-learning and feedback-calibrated online adaptation. By extracting features from a finite time window of past observations, a unified representation that effectively captures general non-structural disturbances can be learned without predefined structural assumptions. The online adaptation process is subsequently calibrated by a state-feedback mechanism to attenuate the learning residual originating from the representation and generalizability limitations. Theoretical analysis shows that simultaneous convergence of both the online learning error and the disturbance estimation error can be achieved. Through the unified meta-representation, our framework effectively estimates multiple rapidly changing disturbances, as demonstrated by quadrotor flight experiments. See the project page for video, supplementary material and code: https://nonstructural-metalearn.github.io.
• Abstract（参考訳）: 現代のロボット応用における精密制御は、未知の時間変動障害のため、常にオープンな問題である。 既存のメタラーニングベースのアプローチでは、現実的な非構造的障害に対する柔軟性に欠ける環境構造を共有表現する必要がある。 さらに、表現誤差と分布シフトは、予測精度を著しく低下させる可能性がある。 本研究は,メタラーニングとフィードバック校正オンライン適応に基づく一般化可能な外乱推定フレームワークを提案する。 過去の観測の有限時間窓から特徴を抽出することにより、事前定義された構造的仮定なしに、一般的な非構造的乱れを効果的に捉える統一表現を学習することができる。 その後、オンライン適応プロセスは状態フィードバック機構によって校正され、表現と一般化可能性の制限から生じる学習残余を減衰させる。 理論的解析により,オンライン学習誤差と外乱推定誤差の同時収束が達成できることが示唆された。 統合されたメタ表現を通して、我々のフレームワークは、四重項飛行実験で示されるように、複数の急激な乱れを効果的に推定する。 ビデオ、補足資料、コードについては、プロジェクトページを参照してください。

関連論文リスト

• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• Locally Linear Continual Learning for Time Series based on VC-Theoretical Generalization Bounds [0.18848440735415498]
  SyMPLERは、非定常環境での時系列予測のための説明可能なモデルである。 他の局所線型モデルとは異なり、SyMPLERは統計学習理論からの有界一般化を使用して、新しい局所モデルを追加するタイミングを自動的に決定する。
  論文  参考訳（メタデータ） (2026-03-14T00:48:02Z)
• OrthoFormer: Instrumental Variable Estimation in Transformer Hidden States via Neural Control Functions [0.0]
  シーケンシャルなモデリングにおいて優れたトランスフォーマーアーキテクチャは、相関学習によって基本的に制限される。 そこで我々はOrthoFormerを提案する。OrthoFormerは機械的変数推定をニューラル制御機能を介してTransformerブロックに直接組み込む因果的基底アーキテクチャである。
  論文  参考訳（メタデータ） (2026-03-08T03:05:16Z)
• Filtering Beats Fine Tuning: A Bayesian Kalman View of In Context Learning in LLMs [0.0]
  本稿では,大規模言語モデルにおける推論時適応をオンラインベイズ状態推定として解釈する理論優先フレームワークを提案する。 線形化状態空間モデルにより制御された低次元潜在状態の逐次的推論としてタスク固有学習とコンテキスト固有学習を定式化する。
  論文  参考訳（メタデータ） (2026-01-02T21:18:48Z)
• Adaptive Learning Guided by Bias-Noise-Alignment Diagnostics [0.7519872646378835]
  本稿では,誤り適応進化を明示的にモデル化する診断駆動学習フレームワークを提案する。 これらの診断は、損失または時間差(TD)誤差軌跡の軽量統計からオンラインで計算される。
  論文  参考訳（メタデータ） (2025-12-30T19:57:52Z)
• Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective [50.83711509908479]
  幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。 再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。 本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
  論文  参考訳（メタデータ） (2025-10-29T03:45:03Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
  両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。 私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。 以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-15T12:25:39Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)

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。