Fugu-MT 論文翻訳(概要): Using the SEKF to Transfer NN Models of Dynamical Systems with Limited Data

論文の概要: Using the SEKF to Transfer NN Models of Dynamical Systems with Limited Data

arxiv url: http://arxiv.org/abs/2603.02439v1
Date: Mon, 02 Mar 2026 22:25:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-04 21:38:10.567196
Title: Using the SEKF to Transfer NN Models of Dynamical Systems with Limited Data
Title（参考訳）: SEKFを用いた限定データを用いた動的システムのNNモデル転送
Authors: Joshua E. Hammond, Tyler A. Soderstrom, Brian A. Korgel, Michael Baldea,
Abstract要約: この作業では、Subset Extended Kalmanフィルタを使用して、トレーニング済みニューラルネットワークモデルを、限られたデータを持つ新しい類似システムに適応させる。実験により、初期モデルの摂動がターゲットシステムの力学を捉え、元のトレーニングデータの1%しか必要としないことが示された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data-driven models of dynamical systems require extensive amounts of training data. For many practical applications, gathering sufficient data is not feasible due to cost or safety concerns. This work uses the Subset Extended Kalman Filter (SEKF) to adapt pre-trained neural network models to new, similar systems with limited data available. Experimental validation across damped spring and continuous stirred-tank reactor systems demonstrates that small parameter perturbations to the initial model capture target system dynamics while requiring as little as 1% of original training data. In addition, finetuning requires less computational cost and reduces generalization error.
Abstract（参考訳）: 動的システムのデータ駆動モデルは、大量のトレーニングデータを必要とする。多くの実用的な応用において、コストや安全性の懸念から十分なデータを集めることは不可能である。この作業では、SEKF(Subset Extended Kalman Filter)を使用して、トレーニング済みニューラルネットワークモデルを、限られたデータが利用可能な新しい類似システムに適応させる。減衰ばねおよび連続旋回タンク反応器システムの実験により、初期モデル捕捉ターゲットシステムの力学に対する小さなパラメータの摂動が、元のトレーニングデータの1%しか必要としないことを示した。さらに、微調整は計算コストを削減し、一般化誤差を低減させる。

関連論文リスト

Streaming Operator Inference for Model Reduction of Large-Scale Dynamical Systems [0.2609784101826761]
本稿では,データストリームの逐次到着から縮小モデルを学習するStreaming OpInfを提案する。提案手法は,メモリ要求を99%以上削減し,次元を31,000倍以上削減しながら,バッチOpInfに匹敵する精度を実現する。
論文参考訳（メタデータ） (2026-01-17T20:46:47Z)
Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
論文参考訳（メタデータ） (2025-06-01T20:32:27Z)
chemtrain: Learning Deep Potential Models via Automatic Differentiation and Statistical Physics [0.0]
ニューラルネットワーク(NN)は、分子動力学の精度を向上し、新しい応用分野を開拓する有効なモデルである。本稿では、カスタマイズ可能なトレーニングルーチンと高度なトレーニングアルゴリズムを用いて、洗練されたNNポテンシャルモデルを学ぶためのフレームワークケミストレインを紹介する。
論文参考訳（メタデータ） (2024-08-28T15:14:58Z)
Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文参考訳（メタデータ） (2024-02-28T08:34:23Z)
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)
Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。まず, 従来の貯水池計算が優れていることを示す。次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文参考訳（メタデータ） (2023-07-14T07:05:17Z)
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)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
Learning a model is paramount for sample efficiency in reinforcement learning control of PDEs [5.488334211013093]
RLエージェントの訓練と並行して動作モデルを学ぶことで,実システムからサンプリングしたデータ量を大幅に削減できることを示す。また、RLトレーニングのバイアスを避けるために、モデルを反復的に更新することが重要であることも示している。
論文参考訳（メタデータ） (2023-02-14T16:14:39Z)
A Physics-informed Diffusion Model for High-fidelity Flow Field Reconstruction [0.0]
本研究では,高忠実度データのみを使用する拡散モデルを提案する。異なる構成で、本モデルでは、正規の低忠実度サンプルまたはスパース測定サンプルから高忠実度データを再構成することができる。本モデルでは, 異なる入力源に基づく2次元乱流の正確な再構成結果が得られるが, 再学習は行わない。
論文参考訳（メタデータ） (2022-11-26T23:14:18Z)
Using Neural Networks by Modelling Semi-Active Shock Absorber [0.0]
絶え間なく増加する自動車制御システムには、デジタルマッピングに対する新しいアプローチが必要である。ニューラルネットワーク(NN)を適用する様々な手法は、自動車制御系設計における関連するデジタルツイン(DT)ツールの候補となる。本稿では, 半能動衝撃吸収器のモデリングにより, 回帰タスクを効率的に処理する方法を示す。
論文参考訳（メタデータ） (2022-07-19T09:21:21Z)
Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文参考訳（メタデータ） (2021-06-04T18:03:31Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。