論文の概要: Model-Free Neural State Estimation in Nonlinear Dynamical Systems: A Comparative Study of Neural Architectures and Classical Filters

• arxiv url: http://arxiv.org/abs/2601.21266v1
• Date: Thu, 29 Jan 2026 04:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.583628
• Title: Model-Free Neural State Estimation in Nonlinear Dynamical Systems: A Comparative Study of Neural Architectures and Classical Filters
• Title（参考訳）: 非線形力学系におけるモデル自由なニューラル状態推定:ニューラルアーキテクチャと古典フィルタの比較研究
• Authors: Zhuochen Liu, Hans Walker, Rahul Jain,
• Abstract要約: 本稿では,このようなモデルのないニューラルネットワークモデルと,複数の非線形シナリオにまたがる古典的フィルタリング手法の体系的比較について述べる。 その結果、非線形シナリオにおける強い非線形カルマンフィルタにアプローチするニューラルモデル(特に状態空間モデル(SSM))は、状態推定性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 2.8101673772585745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural network models are increasingly used for state estimation in control and decision-making problems, yet it remains unclear to what extent they behave as principled filters in nonlinear dynamical systems. Unlike classical filters, which rely on explicit knowledge of system dynamics and noise models, neural estimators can be trained purely from data without access to the underlying system equations. In this work, we present a systematic empirical comparison between such model-free neural network models and classical filtering methods across multiple nonlinear scenarios. Our study evaluates Transformer-based models, state-space neural networks, and recurrent architectures alongside particle filters and nonlinear Kalman filters. The results show that neural models (in particular, state-space models (SSMs)) achieve state estimation performance that approaches strong nonlinear Kalman filters in nonlinear scenarios and outperform weaker classical baselines despite lacking access to system models, while also attaining substantially higher inference throughput.
• Abstract（参考訳）: ニューラルネットワークモデルは制御問題や意思決定問題における状態推定にますます使われているが、非線形力学系における基本フィルタとしてどのように振る舞うかは定かではない。 システム力学やノイズモデルの明示的な知識に依存する古典的なフィルタとは異なり、ニューラルネットワークは基礎となるシステム方程式にアクセスできることなく、純粋にデータから訓練することができる。 本研究では,このようなモデルのないニューラルネットワークモデルと,複数の非線形シナリオにわたる古典的フィルタリング手法の系統的比較について述べる。 本研究では,トランスフォーマーモデル,状態空間ニューラルネットワーク,リカレントアーキテクチャを粒子フィルタや非線形カルマンフィルタとともに評価した。 その結果、非線形シナリオにおいて強い非線形カルマンフィルタに近づき、システムモデルへのアクセスに欠けるにもかかわらず、より弱い古典的ベースラインを上回り、推論スループットも著しく向上した状態推定性能(特に状態空間モデル(SSM))が得られた。

関連論文リスト

• Filtering Jump Markov Systems with Partially Known Dynamics: A Model-Based Deep Learning Approach [33.421237778335076]
  JMFNetは、ジャンプマルコフシステムにおけるリアルタイム状態推定のための新しいモデルベースのディープラーニングフレームワークである。 2つのリカレントニューラルネットワーク(RNN)からなるハイブリッドアーキテクチャを提案する。 提案したRNNは,潜伏モードの監督なしに相互適応可能な最小二乗戦略を用いて共同で訓練される。
  論文  参考訳（メタデータ） (2025-11-11T12:11:24Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• A critical look at deep neural network for dynamic system modeling [0.0]
  本稿では,入力出力データを用いた動的システムのモデリングにおける(深度)ニューラルネットワークの能力に疑問を呈する。 線形時間不変(LTI)力学系の同定には、2つの代表的なニューラルネットワークモデルを比較する。 LTIシステムでは、LSTMとCFNNはノイズのないケースでも一貫したモデルを提供できない。
  論文  参考訳（メタデータ） (2023-01-27T09:03:05Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Cubature Kalman Filter Based Training of Hybrid Differential Equation Recurrent Neural Network Physiological Dynamic Models [13.637931956861758]
  ニューラルネットワーク近似を用いて、未知の常微分方程式を既知のODEで近似する方法を示す。 その結果、このRBSEによるNNパラメータのトレーニングは、バックプロパゲーションによるニューラルネットワークのトレーニングよりも優れた結果(測定/状態推定精度)が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-12T15:38:13Z)
• 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)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Constrained Block Nonlinear Neural Dynamical Models [1.3163098563588727]
  既知の優先度によって調整されたニューラルネットワークモジュールは、非線形ダイナミクスを持つシステムを表現するために効果的に訓練および結合することができる。 提案手法は,入力,状態,出力のダイナミクスを表現するニューラルネットワークブロックで構成され,ネットワーク重みとシステム変数に制約を課す。 3つの非線形システムのシステム識別タスクにおける提案アーキテクチャと学習手法の性能評価を行った。
  論文  参考訳（メタデータ） (2021-01-06T04:27:54Z)

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。