Fugu-MT 論文翻訳(概要): Verifiable Error Bounds for Physics-Informed Neural KKL Observers

論文の概要: Verifiable Error Bounds for Physics-Informed Neural KKL Observers

arxiv url: http://arxiv.org/abs/2603.20434v1
Date: Fri, 20 Mar 2026 19:03:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:38.909053
Title: Verifiable Error Bounds for Physics-Informed Neural KKL Observers
Title（参考訳）: 物理インフォームドニューラルKKLオブザーバの検証可能な誤差境界
Authors: Hannah Berin-Costain, Harry Wang, Kirsten Morris, Jun Liu,
Abstract要約: 学習に基づくKazantzis--Kravaris/Luenberger(KKL)観測者に対して,計算可能な状態推定誤差を提案する。最近の研究は、物理インフォームドニューラルネットワーク(PINN)によるKKL変換マップと、従来のニューラルネットワークによる対応する左逆マップを学習している。
参考スコア（独自算出の注目度）: 5.168497181862642
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a computable state-estimation error bound for learning-based Kazantzis--Kravaris/Luenberger (KKL) observers. Recent work learns the KKL transformation map with a physics-informed neural network (PINN) and a corresponding left-inverse map with a conventional neural network. However, no computable state-estimation error bounds are currently available for this approach. We derive a state-estimation error bound that depends only on quantities that can be certified over a prescribed region using neural network verification. We further extend the result to bounded additive measurement noise and demonstrate the guarantees on nonlinear benchmark systems.
Abstract（参考訳）: 本稿では,学習に基づくKazantzis-Kravaris/Luenberger(KKL)観測者に対して,計算可能な状態推定誤差を提案する。最近の研究は、物理インフォームドニューラルネットワーク(PINN)によるKKL変換マップと、従来のニューラルネットワークによる対応する左逆マップを学習している。しかしながら、このアプローチには計算可能な状態推定エラー境界は存在しない。ニューラルネットワーク検証を用いて、所定の領域で認証可能な量のみに依存する状態推定誤差を導出する。さらに, 実験結果を有界加法測定ノイズに拡張し, 非線形ベンチマークシステムにおける保証を実証する。

関連論文リスト

A Machine Learning Approach to the Nirenberg Problem [33.85242816821759]
この研究は、円メートル法に直交する測度に対して$S2$でガウス曲率を規定するニレンバーグ問題に数値的アプローチを導入する。我々のメッシュフリー物理インフォームドニューラルネットワーク(PINN)アプローチは、この共形因子を直接パラメタライズし、曲率方程式を強制する幾何学的損失で訓練する。既知実現性のある所定の曲率では、ニューラルネットワークは非常に低い損失(10-7 - 10-10$)を達成する。
論文参考訳（メタデータ） (2026-02-12T19:58:11Z)
Repair Brain Damage: Real-Numbered Error Correction Code for Neural Network [4.487182316338205]
記憶障害や計算ミスを経験するニューラルネットワーク(NN)を考える。本稿では,メモリエラーと計算エラーの両方を検出・修正できる,新しい実数ベースの誤り訂正符号(ECC)を提案する。
論文参考訳（メタデータ） (2026-01-21T06:22:12Z)
Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。よりスムーズな関数との補間により、より一般化できることを示す。
論文参考訳（メタデータ） (2023-05-30T19:37:44Z)
Variational Neural Networks [88.24021148516319]
本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。 VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
論文参考訳（メタデータ） (2022-07-04T15:41:02Z)
A Robust Backpropagation-Free Framework for Images [47.97322346441165]
画像データに対するエラーカーネル駆動型アクティベーションアライメントアルゴリズムを提案する。 EKDAAは、ローカルに派生したエラー送信カーネルとエラーマップを導入することで達成される。結果は、識別不能なアクティベーション機能を利用するEKDAAトレーニングCNNに対して提示される。
論文参考訳（メタデータ） (2022-06-03T21:14:10Z)
Fault-Tolerant Neural Networks from Biological Error Correction Codes [45.82537918529782]
哺乳類大脳皮質の格子細胞では、アナログ誤差補正符号が神経スパイクノイズから状態を保護するために観測されている。ここでは、これらの生物学的エラー訂正符号を用いて、各ニューロンの欠陥がシャープしきい値以下である場合、信頼性の高い計算を実現する、普遍的なフォールトトレラントニューラルネットワークを開発する。フォールトからフォールトトレラントニューラルネットワークへの位相遷移の発見は、大脳皮質における信頼性の高い計算のメカニズムを示唆している。
論文参考訳（メタデータ） (2022-02-25T18:55:46Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Robust Learning of Physics Informed Neural Networks [2.86989372262348]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
論文参考訳（メタデータ） (2021-10-26T00:10:57Z)
Performance Bounds for Neural Network Estimators: Applications in Fault Detection [2.388501293246858]
ニューラルネットワークの堅牢性を定量化し,モデルに基づく異常検知器の構築とチューニングを行った。チューニングでは,通常動作で想定される誤報発生率の上限を具体的に提示する。
論文参考訳（メタデータ） (2021-03-22T19:23:08Z)
High-level Modeling of Manufacturing Faults in Deep Neural Network Accelerators [2.6258269516366557]
Googleのユニットプロセッシング(TPU)は、ニューラルネットワークアクセラレータで、ニューラルネットワークのクラック内での計算にsystolic配列ベースの行列乗算ハードウェアを使用する。行列乗算ユニットの任意の状態要素における欠陥は、これらの推論ネットワークにおいて予期せぬ誤りを引き起こす可能性がある。離散時間マルコフ連鎖(DTMC)形式を用いたTPUにおける永久断層の定式化とその伝播モデルを提案する。
論文参考訳（メタデータ） (2020-06-05T18:11:14Z)
A Generalized Neural Tangent Kernel Analysis for Two-layer Neural Networks [87.23360438947114]
重み劣化を伴う雑音勾配降下は依然として「カーネル様」の挙動を示すことを示す。これは、トレーニング損失が一定の精度まで線形に収束することを意味する。また,重み劣化を伴う雑音勾配勾配勾配で学習した2層ニューラルネットワークに対して,新しい一般化誤差を確立する。
論文参考訳（メタデータ） (2020-02-10T18:56:15Z)

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。