論文の概要: A new approach for combined model class selection and parameters learning for auto-regressive neural models

• arxiv url: http://arxiv.org/abs/2601.17442v1
• Date: Sat, 24 Jan 2026 12:26:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.735698
• Title: A new approach for combined model class selection and parameters learning for auto-regressive neural models
• Title（参考訳）: 自己回帰型ニューラルモデルのためのモデルクラス選択とパラメータ学習を組み合わせた新しいアプローチ
• Authors: Corrado Sgadari, Alessio La Bella, Marcello Farina,
• Abstract要約: この研究は、特定のリカレントニューラルネットワーク(RNN)ファミリー、すなわち、eXogenous inputs Echo State Networks (XENARSNs)による自動回帰に焦点を当てている。 このメソッドは最適なモデルクラスを同時に選択し、データからモデルパラメータを学習する。 その結果、制御アプリケーションに適した擬似的かつ正確なモデルを特定する手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.4779196219827507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work introduces a novel approach for the joint selection of model structure and parameter learning for nonlinear dynamical systems identification. Focusing on a specific Recurrent Neural Networks (RNNs) family, i.e., Nonlinear Auto-Regressive with eXogenous inputs Echo State Networks (NARXESNs), the method allows to simultaneously select the optimal model class and learn model parameters from data through a new set-membership (SM) based procedure. The results show the effectiveness of the approach in identifying parsimonious yet accurate models suitable for control applications. Moreover, the proposed framework enables a robust training strategy that explicitly accounts for bounded measurement noise and enhances model robustness by allowing data-consistent evaluation of simulation performance during parameter learning, a process generally NP-hard for models with autoregressive components.
• Abstract（参考訳）: 本研究は,非線形力学系同定のためのモデル構造とパラメータ学習の結合選択のための新しいアプローチを導入する。 特定のリカレントニューラルネットワーク(RNN)ファミリー(eXogenous inputs Echo State Networks (NARXESNs)による非線形自己回帰)に焦点を当て、この手法は最適なモデルクラスを同時に選択し、新しい設定メンバーシップ(SM)ベースの手順でデータからモデルパラメータを学習することができる。 提案手法の有効性は,制御アプリケーションに適した擬似的かつ正確なモデルを特定する上でのアプローチの有効性を示す。 さらに,提案フレームワークは,パラメータ学習時のシミュレーション性能をデータ一貫性で評価することで,有界な計測ノイズを明示的に考慮し,モデルロバスト性を高める頑健なトレーニング戦略を実現する。

関連論文リスト

• A Statistical Framework for Model Selection in LSTM Networks [0.0]
  LSTMネットワークにおける系統的モデル選択のための統一的な統計フレームワークを提案する。 我々のフレームワークは、情報基準や縮小推定といった古典的なモデル選択のアイデアを、シーケンシャルニューラルネットワークに拡張する。 いくつかのバイオメディカルデータ中心の例は、提案フレームワークの柔軟性と性能の向上を示している。
  論文  参考訳（メタデータ） (2025-06-07T15:44:27Z)
• Efficient identification of linear, parameter-varying, and nonlinear systems with noise models [1.6385815610837167]
  本稿では、状態空間の力学モデルの幅広いスペクトルを推定できる一般的なシステム同定手法を提案する。 この一般的なモデル構造に対して、モデル力学は決定論的過程とノイズ部分に分離できることを示す。 人工ニューラルネットワーク(ANN)を用いた非線形機能関係のパラメータ化
  論文  参考訳（メタデータ） (2025-04-16T11:23:30Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Neural Port-Hamiltonian Differential Algebraic Equations for Compositional Learning of Electrical Networks [21.117540483724603]
  結合力学系のための合成学習アルゴリズムを開発し,特に電気ネットワークに着目した。 我々は、ニューラルネットワークを用いて、ポート-ハミルトンDAEの微分および代数的成分のパラメータ化を行うニューラルポート-ハミルトン微分代数方程式(N-PHDAEs)を導入する。 提案したN-PHDAEモデルは,長期予測時地平線上でのベースラインN-ODEと比較して,予測精度と制約満足度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-12-15T15:13:11Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• A Statistical-Modelling Approach to Feedforward Neural Network Model Selection [0.8287206589886881]
  フィードフォワードニューラルネットワーク(FNN)は非線形回帰モデルと見なすことができる。 FNNのためのベイズ情報基準(BIC)を用いて,新しいモデル選択法を提案する。 サンプル外性能よりもBICを選択することは、真のモデルを回復する確率を増大させる。
  論文  参考訳（メタデータ） (2022-07-09T11:07:04Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)

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。