論文の概要: Outlier-Robust Nonlinear Moving Horizon Estimation using Adaptive Loss Functions
- arxiv url: http://arxiv.org/abs/2604.04862v1
- Date: Mon, 06 Apr 2026 17:06:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.300916
- Title: Outlier-Robust Nonlinear Moving Horizon Estimation using Adaptive Loss Functions
- Title（参考訳）: 適応損失関数を用いた外乱非線形移動水平推定
- Authors: Nestor Deniz, Guido Sanchez, Fernando Auat Cheein, Leonardo Giovanini,
- Abstract要約: 提案手法は汚染データと汚染データの重み付けを優先する。
フレームワークにチューニングパラメータを組み込んで損失関数の形状を制御し、推定器のロバスト性を外れ値に調整する。
シミュレーションの結果、適応はほんの数イテレーションで起こるが、従来の振る舞いは、測定結果が外れ値のない場合に優先される。
- 参考スコア（独自算出の注目度）: 40.32737814489449
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose an adaptive robust loss function framework for MHE, integrating an adaptive robust loss function to reduce the impact of outliers with a regularization term that avoids naive solutions. The proposed approach prioritizes the fitting of uncontaminated data and downweights the contaminated ones. A tuning parameter is incorporated into the framework to control the shape of the loss function for adjusting the estimator's robustness to outliers. The simulation results demonstrate that adaptation occurs in just a few iterations, whereas the traditional behaviour $\mathrm{L_2}$ predominates when the measurements are free of outliers.
- Abstract（参考訳）: 本稿では, 適応型ロバスト損失関数を組み込んだMHEのための適応型ロバスト損失関数フレームワークを提案する。
提案手法は汚染データと汚染データの重み付けを優先する。
フレームワークにチューニングパラメータを組み込んで損失関数の形状を制御し、推定器のロバスト性を外れ値に調整する。
シミュレーションの結果、適応はほんの数イテレーションで起こるのに対し、従来の振る舞い $\mathrm{L_2}$ は、測定値が外れ値のない場合に先行することを示した。
関連論文リスト
- Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。
VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。
VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
論文 参考訳（メタデータ） (2026-03-18T01:25:08Z) - A Convex Loss Function for Set Prediction with Optimal Trade-offs Between Size and Conditional Coverage [0.554780083433538]
我々は、集合予測が明確な不確実性推定を提供する教師付き学習問題を考察する。
実数値関数のレベルセットとして得られる非減少部分値関数に対する凸損失関数を提案する。
最適化された条件付き被覆を持つ集合を自然に取得する方法を示す。
論文 参考訳（メタデータ） (2025-12-22T08:41:31Z) - Variation-Bounded Loss for Noise-Tolerant Learning [105.20373602308284]
本稿では,損失関数のロバスト性に関連する新しい特性として,変分比を導入する。
本稿では,有界変動比を特徴とする,ロバストな損失関数である変分境界損失(VBL)を新たに提案する。
論文 参考訳（メタデータ） (2025-11-15T10:15:29Z) - Matrix Sensing with Kernel Optimal Loss: Robustness and Optimization Landscape [10.674539579679871]
従来の回帰タスクでは、平均二乗誤差(MSE)損失は一般的な選択であるが、ガウス的でないノイズや重み付きノイズは信頼できない。
我々は,残差密度のカーネルベース推定に基づくロバストな損失定式化を採用し,その推定対数類似度を最大化する。
論文 参考訳（メタデータ） (2025-11-03T23:22:37Z) - Error-quantified Conformal Inference for Time Series [55.11926160774831]
時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。
量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。
ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
論文 参考訳（メタデータ） (2025-02-02T15:02:36Z) - Adaptive Conformal Inference by Betting [51.272991377903274]
データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。
適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。
本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
論文 参考訳（メタデータ） (2024-12-26T18:42:08Z) - LEARN: An Invex Loss for Outlier Oblivious Robust Online Optimization [56.67706781191521]
敵は、学習者に未知の任意の数kの損失関数を破損させることで、外れ値を導入することができる。
我々は,任意の数kで損失関数を破損させることで,敵が外乱を発生させることができる,頑健なオンラインラウンド最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-12T17:08:31Z) - Loss-Controlling Calibration for Predictive Models [5.51361762392299]
交換可能なデータに対する損失制御予測を行うための予測モデルの校正のための学習フレームワークを提案する。
対照的に、損失制御手法によって構築された予測器は、設定された予測器に限らない。
提案手法は,選択的回帰および高影響気象予報問題に適用する。
論文 参考訳（メタデータ） (2023-01-11T09:44:55Z) - Support estimation in high-dimensional heteroscedastic mean regression [2.07180164747172]
ランダムな設計と、潜在的にヘテロセダスティックで重み付きエラーを伴う線形平均回帰モデルを考える。
我々は,問題のパラメータに依存するチューニングパラメータを備えた,厳密な凸・滑らかなHuber損失関数の変種を用いる。
得られた推定器に対して、$ell_infty$ノルムにおける符号一貫性と最適収束率を示す。
論文 参考訳（メタデータ） (2020-11-03T09:46:31Z)
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。