論文の概要: Online identification of nonlinear time-varying systems with uncertain information

• arxiv url: http://arxiv.org/abs/2601.10379v1
• Date: Thu, 15 Jan 2026 13:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.794988
• Title: Online identification of nonlinear time-varying systems with uncertain information
• Title（参考訳）: 不確実な情報を含む非線形時間変化系のオンライン同定
• Authors: He Ren, Gaowei Yan, Hang Liu, Lifeng Cao, Zhijun Zhao, Gang Dang,
• Abstract要約: デジタルツイン(DT)は、複雑なサイバー物理システムのリアルタイム監視と予測保守のためのコアイネーブラーとして機能する。 既存の技術はこれらの要求を同時に満たすのに苦労している。 本稿では,ベイズ回帰に基づくシンボリックラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.071760583269057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital twins (DTs), serving as the core enablers for real-time monitoring and predictive maintenance of complex cyber-physical systems, impose critical requirements on their virtual models: high predictive accuracy, strong interpretability, and online adaptive capability. However, existing techniques struggle to meet these demands simultaneously: Bayesian methods excel in uncertainty quantification but lack model interpretability, while interpretable symbolic identification methods (e.g., SINDy) are constrained by their offline, batch-processing nature, which make real-time updates challenging. To bridge this semantic and computational gap, this paper proposes a novel Bayesian Regression-based Symbolic Learning (BRSL) framework. The framework formulates online symbolic discovery as a unified probabilistic state-space model. By incorporating sparse horseshoe priors, model selection is transformed into a Bayesian inference task, enabling simultaneous system identification and uncertainty quantification. Furthermore, we derive an online recursive algorithm with a forgetting factor and establish precise recursive conditions that guarantee the well-posedness of the posterior distribution. These conditions also function as real-time monitors for data utility, enhancing algorithmic robustness. Additionally, a rigorous convergence analysis is provided, demonstrating the convergence of parameter estimates under persistent excitation conditions. Case studies validate the effectiveness of the proposed framework in achieving interpretable, probabilistic prediction and online learning.
• Abstract（参考訳）: デジタルツイン(DT)は、複雑なサイバー物理システムのリアルタイム監視と予測保守のコアイネーラとして機能し、高い予測精度、強力な解釈可能性、オンライン適応能力といった仮想モデルに重要な要件を課す。 しかし、既存の手法はこれらの要求を同時に満たすのに苦労している: ベイズ的手法は不確実な定量化に優れ、モデルの解釈可能性に欠けるが、解釈可能なシンボル識別法(例えばSINDy)は、オフラインでバッチ処理する性質によって制約され、リアルタイム更新が困難になる。 本稿では,この意味的ギャップと計算的ギャップを埋めるために,ベイズ回帰に基づくシンボリックラーニング(BRSL)フレームワークを提案する。 このフレームワークは、オンラインのシンボル発見を統一的な確率的状態空間モデルとして定式化する。 スパース・ホースシューを組み込むことにより、モデル選択をベイズ推論タスクに変換し、同時にシステム同定と不確実性定量化を可能にする。 さらに, オンライン再帰的アルゴリズムを設計し, 後部分布の健全性を保証する精度の高い再帰的条件を確立する。 これらの条件はデータユーティリティのリアルタイムモニタとしても機能し、アルゴリズムの堅牢性を高める。 さらに、永続励起条件下でのパラメータ推定の収束を示す厳密な収束解析が提供される。 ケーススタディでは,解釈可能,確率的予測,オンライン学習を実現する上で,提案手法の有効性が検証された。

関連論文リスト

• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• Interpretable Neural Approximation of Stochastic Reaction Dynamics with Guaranteed Reliability [4.736119820998459]
  我々は,解釈可能性,信頼性保証,実質的な計算ゲインを実現するニューラルネットワークフレームワークであるDeepSKAを紹介する。 DeepSKAは、状態、時間、出力関数にまたがって一般化する数学的に透明な表現を生成し、この構造を少数のシミュレーションと統合し、古典的モンテカルロよりも非バイアスで、確率的に収束し、劇的に低いマグニチュード推定を生成する。
  論文  参考訳（メタデータ） (2025-12-06T04:45:31Z)
• Statistical Inference for Misspecified Contextual Bandits [6.178061357164435]
  コンテキストバンディットアルゴリズムは、パーソナライズされた治療のためのリアルタイム適応を可能にすることで、近代的な実験を変革した。 しかし、これらの利点は適応性による統計的推測の課題を生み出す。 収束は適応実験の再現性とオンラインアルゴリズムの安定性を保証する。
  論文  参考訳（メタデータ） (2025-09-08T02:19:37Z)
• Formal Control for Uncertain Systems via Contract-Based Probabilistic Surrogates (Extended Version) [1.474723404975345]
  我々は,複雑な非線形エージェント環境相互作用に対処しながら,高次元に効果的にスケールする抽象的手法を提案する。 我々のアプローチは、複雑な高次元の車両交差点で示されるように、保守主義のスケーラビリティを好意的に交換する。
  論文  参考訳（メタデータ） (2025-06-20T13:00:50Z)
• Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
  モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。 本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T09:13:11Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Scalable Uncertainty for Computer Vision with Functional Variational Inference [18.492485304537134]
  関数空間における変分推論の定式化を利用する。 選択したCNNアーキテクチャを1つのフォワードパスのコストで予測不確実性を推定する。 本研究では,高次元タスクの文脈で高速な学習を可能にする数値的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-06T19:09:42Z)

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。