論文の概要: DNS: Data-driven Nonlinear Smoother for Complex Model-free Process

• arxiv url: http://arxiv.org/abs/2602.08560v1
• Date: Mon, 09 Feb 2026 11:57:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.208512
• Title: DNS: Data-driven Nonlinear Smoother for Complex Model-free Process
• Title（参考訳）: DNS: 複雑なモデルフリープロセスのためのデータ駆動非線形スモーザー
• Authors: Fredrik Cumlin, Anubhab Ghosh, Saikat Chatterjee,
• Abstract要約: 本稿では,データ駆動非線形スムーズ化手法(DNS)を提案し,ノイズのある線形測定シーケンスから隠れ状態列を推定する。 DNSは教師なしの方法で学習するため、トレーニングデータセットは測定データのみで構成され、状態データはない。 実験の結果,DNSは深部カルマンスムース (DKS) と反復的データ駆動非線形状態推定 (iDANSE) よりもはるかに優れていることがわかった。
• 参考スコア（独自算出の注目度）: 11.427765730918034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose data-driven nonlinear smoother (DNS) to estimate a hidden state sequence of a complex dynamical process from a noisy, linear measurement sequence. The dynamical process is model-free, that is, we do not have any knowledge of the nonlinear dynamics of the complex process. There is no state-transition model (STM) of the process available. The proposed DNS uses a recurrent architecture that helps to provide a closed-form posterior of the hidden state sequence given the measurement sequence. DNS learns in an unsupervised manner, meaning the training dataset consists of only measurement data and no state data. We demonstrate DNS using simulations for smoothing of several stochastic dynamical processes, including a benchmark Lorenz system. Experimental results show that the DNS is significantly better than a deep Kalman smoother (DKS) and an iterative data-driven nonlinear state estimation (iDANSE) smoother.
• Abstract（参考訳）: 本研究では, 複素動的過程の隠れ状態列を, 雑音, 線形測定シーケンスから推定する。 力学過程はモデル自由であり、複素過程の非線形力学の知識は存在しない。 プロセスのステート・トランジション・モデル(STM)は存在しない。 提案したDNSは、測定シーケンスが与えられた隠れ状態シーケンスのクローズフォーム後部を提供するために、リカレントアーキテクチャを使用する。 DNSは教師なしの方法で学習するため、トレーニングデータセットは測定データのみで構成され、状態データはない。 ベンチマークLorenzシステムを含むいくつかの確率的動的プロセスの平滑化にシミュレーションを用いたDNSを実証する。 実験結果から,DNSは深いカルマンスムース (DKS) と反復的データ駆動非線形状態推定 (iDANSE) よりもはるかに優れていることがわかった。

関連論文リスト

• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• pDANSE: Particle-based Data-driven Nonlinear State Estimation from Nonlinear Measurements [55.95348868409957]
  本研究では,(ノイズ)非線形測定を用いたデータ駆動非線形状態推定法(DANSE)を設計する際の問題点について考察する。 リカレントニューラルネットワーク(RNN)は、モデルフリープロセスの状態を特徴付けるガウス前のパラメータを提供する。 状態後部の2次統計は、その時点に観測された非線形測定を用いて計算される。
  論文  参考訳（メタデータ） (2025-10-31T14:26:48Z)
• oRANS: Online optimisation of RANS machine learning models with embedded DNS data generation [0.0]
  従来のオフラインパラダイムで訓練されたクロージャは、過度に適合し、新しい体制に一般化できない傾向にある。 DLベースのNavier-Stokes(RANS)クロージャに対するオンライン最適化フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-10-03T13:19:01Z)
• Data Denoising and Derivative Estimation for Data-Driven Modeling of Nonlinear Dynamical Systems [7.364096151612954]
  非線形力学系のデータ駆動モデリングは、しばしば測定ノイズによって妨げられる。 本稿では,雑音の観測に直接適応した暗黙のニューラル表現を用いて,状態軌跡を表すデノベーションフレームワークを提案する。 実験は、効果的なノイズ抑圧、高精度な微分推定、信頼性の高いシステム同定を示す。
  論文  参考訳（メタデータ） (2025-09-17T17:51:43Z)
• Semi-Supervised Model-Free Bayesian State Estimation from Compressed Measurements [57.04370580292727]
  圧縮測定によるベイズ状態の推定について考察する。 時間的測定ベクトルの寸法は、推定される時間的状態ベクトルの寸法よりも小さい。 状態の進化の基盤となる力学モデルは「モデルフリープロセス」では未知数である。
  論文  参考訳（メタデータ） (2024-07-10T05:03:48Z)
• Dynamic Deep Learning LES Closures: Online Optimization With Embedded DNS [0.0]
  我々は、大規模シミュレーション(LES)におけるディープラーニングクロージャモデルのための新しいオンライントレーニング手法を開発した。 深層学習クロージャモデルは,組込み直接数値シミュレーション(DNS)データを用いてLES計算中に動的に訓練される。 オンライン最適化アルゴリズムは,LES組込みDNS計算における深層学習クロージャモデルを動的に学習するために開発された。
  論文  参考訳（メタデータ） (2023-03-04T06:20:47Z)
• 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)
• Reconstructing High-resolution Turbulent Flows Using Physics-Guided Neural Networks [3.9548535445908928]
  乱流の直接数値シミュレーション(DNS)は計算コストが高く、レイノルズ数が大きい流れには適用できない。 大規模渦シミュレーション(LES)は計算量が少ないが、乱流輸送の全てのスケールを正確に捉えることはできない。 LES予測からDNSデータを再構築するための超解像技術に基づく新しいデータ駆動手法を構築した。
  論文  参考訳（メタデータ） (2021-09-06T03:01:24Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)

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。