論文の概要: HyperKKL: Enabling Non-Autonomous State Estimation through Dynamic Weight Conditioning

• arxiv url: http://arxiv.org/abs/2602.22630v1
• Date: Thu, 26 Feb 2026 05:08:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.537064
• Title: HyperKKL: Enabling Non-Autonomous State Estimation through Dynamic Weight Conditioning
• Title（参考訳）: HyperKKL:動的重み付けによる非自律状態推定の実現
• Authors: Yahia Salaheldin Shaaban, Salem Lahlou, Abdelrahman Sayed Sayed,
• Abstract要約: HyperKKLは非自律非線形システムのための新しい学習手法である。 現在のKKLオブザーバの学習に基づく近似は、主に自律システムのために設計されている。 HyperKKLは、入力信号をエンコードしてKKLオブザーバのパラメータを瞬時に生成するハイパーネットワークアーキテクチャを用いてこの問題に対処する。
• 参考スコア（独自算出の注目度）: 3.340699005490366
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper proposes HyperKKL, a novel learning approach for designing Kazantzis-Kravaris/Luenberger (KKL) observers for non-autonomous nonlinear systems. While KKL observers offer a rigorous theoretical framework by immersing nonlinear dynamics into a stable linear latent space, its practical realization relies on solving Partial Differential Equations (PDE) that are analytically intractable. Current existing learning-based approximations of the KKL observer are mostly designed for autonomous systems, failing to generalize to driven dynamics without expensive retraining or online gradient updates. HyperKKL addresses this by employing a hypernetwork architecture that encodes the exogenous input signal to instantaneously generate the parameters of the KKL observer, effectively learning a family of immersion maps parameterized by the external drive. We rigorously evaluate this approach against a curriculum learning strategy that attempts to generalize from autonomous regimes via training heuristics alone. The novel approach is illustrated on four numerical simulations in benchmark examples including the Duffing, Van der Pol, Lorenz, and Rössler systems.
• Abstract（参考訳）: 本稿では,非自律非線形システムに対するKazantzis-Kravaris/Luenberger(KKL)オブザーバを設計するための新しい学習手法であるHyperKKLを提案する。 KKL観測者は、非線形力学を安定な線形潜在空間に浸すことで厳密な理論的枠組みを提供するが、その実践的実現は解析的に難解な偏微分方程式(PDE)を解くことに依存する。 現在の学習に基づくKKLオブザーバの近似は、主に自律システム用に設計されており、高価なリトレーニングやオンライン勾配更新なしに駆動力学に一般化できない。 HyperKKLは、外因性入力信号を符号化してKKLオブザーバのパラメータを瞬時に生成するハイパーネットワークアーキテクチャを用いてこの問題に対処し、外部ドライブによってパラメータ化された没入マップのファミリーを効果的に学習する。 我々は、このアプローチを、訓練ヒューリスティックスだけで自律的な体制から一般化しようとするカリキュラム学習戦略に対して厳格に評価する。 この新しいアプローチは、ダッフィング、ヴァン・デル・ポル、ローレンツ、レースラーの4つのベンチマークの例で示される。

関連論文リスト

• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• On-line learning of dynamic systems: sparse regression meets Kalman filtering [41.99844472131922]
  我々は、制御理論からグラウストーンアルゴリズムを統合することで、空間駆動型アプローチをリアルタイム学習に拡張する -- カルマンフィルタ(KF) その結果、Sindy Kalman Filter (KF) は、未知のシステムパラメータを状態変数として扱うことによって両方のフレームワークを統一する。 実飛行データから構築した疎非線形航空機モデルのリアルタイム同定におけるKFの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-14T11:24:05Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• KKL Observer Synthesis for Nonlinear Systems via Physics-Informed Learning [5.888531936968298]
  本稿では,KKL(Kazantzis-Kravaris/Luenberger)オブザーバを自律非線形システムに設計するための新しい学習手法を提案する。 KKLオブザーバの設計には、システム状態を高次元オブザーバ状態に変換する射影写像を見つけることが含まれる。 システムとオブザーバのダイナミクスを数値的に解き、学習のための合成データを生成する。
  論文  参考訳（メタデータ） (2025-01-20T18:38:51Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Adaptive Meta-Learning-Based KKL Observer Design for Nonlinear Dynamical Systems [0.0]
  本稿では,メタラーニングによる非線形力学系のオブザーバ設計に対する新しいアプローチを提案する。 システム出力の測定から情報を活用するフレームワークを導入し、さまざまなシステム条件や属性にオンライン適応可能な学習ベースのKKLオブザーバを設計する。
  論文  参考訳（メタデータ） (2023-10-30T12:25:14Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Learning Robust State Observers using Neural ODEs (longer version) [1.0094821910320064]
  本稿では、ニューラルODEに基づく非線形システムのための状態オブザーバの設計手法、Luenbergerのようなオブザーバの学習とその非線形拡張について述べる。 チューニング可能なKKLオブザーバでは、学習における学習ベースオブザーバの堅牢性向上の基礎として、オブザーバの設計と収束速度とロバストネスのトレードオフの関係を分析し、利用する。
  論文  参考訳（メタデータ） (2022-12-01T20:58:39Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Model-Based Reinforcement Learning via Stochastic Hybrid Models [39.83837705993256]
  本稿では非線形モデリングと制御のハイブリッドシステムビューを採用する。 本稿では,データの時間的構造を捉えるシーケンスモデリングパラダイムについて考察する。 これらの時系列モデルは,ローカルフィードバックコントローラの抽出に使用するクローズドループ拡張を自然に認めていることを示す。
  論文  参考訳（メタデータ） (2021-11-11T14:05:46Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。