論文の概要: Optimal Centered Active Excitation in Linear System Identification

• arxiv url: http://arxiv.org/abs/2604.05518v1
• Date: Tue, 07 Apr 2026 07:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.67975
• Title: Optimal Centered Active Excitation in Linear System Identification
• Title（参考訳）: リニアシステム同定における最適中心アクティブ励起
• Authors: Kaito Ito, Alexandre Proutiere,
• Abstract要約: 最適中心雑音励振を用いた線形システム同定のための能動学習アルゴリズムを提案する。 まず、任意の能動学習アルゴリズムに対して、所定の精度と信頼レベルを達成するために、サンプルの複雑さの低い境界を確立する。
• 参考スコア（独自算出の注目度）: 48.09783075634403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an active learning algorithm for linear system identification with optimal centered noise excitation. Notably, our algorithm, based on ordinary least squares and semidefinite programming, attains the minimal sample complexity while allowing for efficient computation of an estimate of a system matrix. More specifically, we first establish lower bounds of the sample complexity for any active learning algorithm to attain the prescribed accuracy and confidence levels. Next, we derive a sample complexity upper bound of the proposed algorithm, which matches the lower bound for any algorithm up to universal factors. Our tight bounds are easy to interpret and explicitly show their dependence on the system parameters such as the state dimension.
• Abstract（参考訳）: 最適中心雑音励振を用いた線形システム同定のための能動学習アルゴリズムを提案する。 特に,本アルゴリズムは最小二乗法と半定値法に基づいて,システム行列の推定値の効率的な計算を可能にしながら,最小限のサンプル複雑性を実現する。 より具体的には、任意の能動学習アルゴリズムが所定の精度と信頼度を達成するために、まずサンプルの複雑さの低い境界を確立する。 次に、提案アルゴリズムのサンプル複雑性上限を導出し、任意のアルゴリズムの下位境界を普遍的因子に一致させる。 私たちの厳密な境界は容易に解釈でき、状態次元のようなシステムパラメータへの依存を明確に示します。

関連論文リスト

• Are Randomized Quantum Linear Systems Solvers Practical? [0.0]
  ランダム化量子アルゴリズムは、量子シミュレーションと量子線型代数の文脈で提案されている。 ランダム化量子線形系解法における全誤差を制御する全ての関連するパラメータに明示的な境界を与える。 私たちの研究は、理論的なアルゴリズムの提案と効率的なハードウェア実装の橋渡しとして役立ちます。
  論文  参考訳（メタデータ） (2025-10-15T17:12:55Z)
• Near-optimal Rank Adaptive Inference of High Dimensional Matrices [46.66027208538566]
  線形測定から高次元行列を推定する問題に対処する。 本稿では,Last-Squares推定器と共通特異値しきい値のしきい値処理を併用したアルゴリズムを提案する。 この結果は, 特異値しきい値のしきい値に基づく行列分解手法の高度化に依拠している。
  論文  参考訳（メタデータ） (2025-10-09T12:01:46Z)
• Sample Complexity for Quadratic Bandits: Hessian Dependent Bounds and Optimal Algorithms [64.10576998630981]
  最適なヘッセン依存型サンプルの複雑さを, 初めて厳密に評価した。 ヘシアン非依存のアルゴリズムは、すべてのヘシアンインスタンスに対して最適なサンプル複雑さを普遍的に達成する。 本アルゴリズムにより得られたサンプルの最適複雑さは,重み付き雑音分布においても有効である。
  論文  参考訳（メタデータ） (2023-06-21T17:03:22Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Online Deterministic Annealing for Classification and Clustering [0.0]
  本稿では,クラスタリングと分類のためのオンラインプロトタイプベースの学習アルゴリズムを提案する。 本稿では,提案アルゴリズムが競合学習ニューラルネットワークを構成することを示し,その学習規則をオンライン近似アルゴリズムとして定式化する。
  論文  参考訳（メタデータ） (2021-02-11T04:04:21Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Boosting Algorithms for Estimating Optimal Individualized Treatment Rules [4.898659895355356]
  最適な個別化処理規則を推定するための非パラメトリックアルゴリズムを提案する。 提案アルゴリズムは機械学習文学において最も強力なアルゴリズムの1つであるXGBoostアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2020-01-31T22:26:38Z)

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。