論文の概要: Provable imitation learning for control of instability in partially-observed Vlasov--Poisson equations

• arxiv url: http://arxiv.org/abs/2605.05081v1
• Date: Wed, 06 May 2026 16:19:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.925996
• Title: Provable imitation learning for control of instability in partially-observed Vlasov--Poisson equations
• Title（参考訳）: 部分的に観測されたヴラソフ-ポアソン方程式の不安定性制御のための確率的模倣学習
• Abstract要約: 完全観察された専門家ポリシーをマクロ計測のみで動作するコントローラに蒸留する模倣学習法について検討した。 ここでは, 誤差フロアが観測制約下で達成可能な最小の行動クローン損失に依存する場合の, 学習方針の安定性の保証を示す。
• 参考スコア（独自算出の注目度）: 2.419222624168902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the stabilization of Vlasov--Poisson plasma dynamics, a central control problem in nuclear fusion. Our focus is the gap between what an ideal controller would use and what experiments can actually observe: while optimal policy may rely on the full phase-space state, practical feedback is typically limited to sparse macroscopic diagnostics. We therefore study imitation learning methods that distill a fully observed expert policy into controllers operating only on macroscopic measurements. We show the stability guarantees of the learned policy, where the error floor depends on the minimal behavior cloning loss achievable under the observation constraints. We further characterize this minimal loss in terms of a notion of entropy that quantifies the complexity of the initial distribution. Our results demonstrates the theoretical feasibility of learning stabilizing feedback policies for kinetic plasma dynamics from macroscopic observations, and exhibits the adaptivity of the learning approach to low-complexity structures. Through extensive numerical experiments, we validate our theory and show that the learned policies can stabilize the system using only macroscopic observations, within a significantly longer time horizon than non-adaptive baseline controllers.
• Abstract（参考訳）: Vlasov--Poissonプラズマ力学の安定化は核融合における中心的な制御問題である。 我々の焦点は、理想的なコントローラが使うものと実際に観測できるものとの間のギャップである:最適なポリシーは完全な位相空間状態に依存するが、現実的なフィードバックは通常、スパースマクロ診断に限られる。 そこで我々は,完全に観察された専門家ポリシーをマクロ計測のみで動作するコントローラに蒸留する模倣学習法について検討した。 ここでは, 誤差フロアが観測制約下で達成可能な最小の行動クローン損失に依存する場合の, 学習方針の安定性の保証を示す。 さらに、初期分布の複雑さを定量化するエントロピーの概念の観点から、この最小損失を特徴づける。 本研究は, 動的プラズマ力学のフィードバックポリシをマクロ観察から安定化させる学習の理論的実現可能性を示し, 低複雑さ構造への学習アプローチの適応性を示す。 大規模な数値実験を通じて,本理論を検証し,非適応型ベースラインコントローラよりもはるかに長い時間的地平線内で,マクロ観察のみを用いて学習方針が安定化可能であることを示す。

関連論文リスト

• Finite-Sample Metric Non-Collapse for Geometrically Supervised Latent World Models in Control [0.0]
  非線形決定論系の幾何学的教師付き潜在モデルに対する有限サンプル学習制御理論を確立する。 本稿では,方向分解能と分離状態判別を強制するエンコーダのみの局所的計量ヒンジを提案する。 モジュラー決定論は、学習した証明書を軌跡、有限水平コスト、学習コストヘッド、および論理的保証に転送する一方、検証された有限ネットの結果は、よりシャープなモデル固有の認証を可能にする。
  論文  参考訳（メタデータ） (2026-08-07T14:25:33Z)
• Model-Free Quantum Stabilization via Finite-Difference Lyapunov Control [0.0]
  我々は、測定から導出されるリャプノフ観測器の実験的有限差分評価のみを用いて、量子状態の安定化のためのモデルフリーフレームワークを開発する。 このアプローチは、符号ベースのリャプノフ降下(英語版)、適応利得増幅(英語版)、ラザールの原理上の有限差分類似(英語版)の3つの重要な要素を組み合わせる。
  論文  参考訳（メタデータ） (2026-04-11T15:36:27Z)
• Delayed Homomorphic Reinforcement Learning for Environments with Delayed Feedback [11.866061471514582]
  遅延したフィードバックはマルコフの仮定を破り、学習と制御を妨げる。 本稿では,MDP準同型に基づく枠組みを提案する。 MuJoCoベンチマークにおける連続制御タスクの実験は、我々のアルゴリズムが強化ベースのベースラインよりも優れていることを確認した。
  論文  参考訳（メタデータ） (2026-04-04T08:38:52Z)
• What Makes Value Learning Efficient in Residual Reinforcement Learning? [57.635661297706065]
  残留強化学習(Residual reinforcement learning, RL)は、ベースを凍結し、境界修正のみを学習することにより、表現的事前訓練政策の安定したオンライン改善を可能にする。 本研究では,冷戦開始の病理学において,批判者が基本方針に関する価値景観の知識を欠いている点と,構造的スケールミスマッチという2つの主要なボトルネックを同定する。 残差RLにおける効率的な値学習を目的とした最小限のアプローチであるDAWNを提案する。
  論文  参考訳（メタデータ） (2026-02-11T05:25:39Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• State Entropy Regularization for Robust Reinforcement Learning [49.08983925413188]
  状態エントロピー規則化は、構造的および空間的に相関した摂動に対するロバスト性を向上させることを示す。 このようなバリエーションは、伝達学習では一般的であるが、標準的な堅牢な強化学習法では見落とされがちである。
  論文  参考訳（メタデータ） (2025-06-08T11:15:31Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• OCMDP: Observation-Constrained Markov Decision Process [9.13947446878397]
  我々は、コスト感受性環境における観察と制御戦略を同時に学習する課題に取り組む。 我々は,ポリシーのセンシングと制御を分離する反復的,モデルなしの深層強化学習アルゴリズムを開発した。 本研究は,HeartPoleを用いたシミュレートされた診断課題と現実的な医療環境に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-11-11T16:04:49Z)
• Lyapunov Neural ODE State-Feedback Control Policies [2.542957206389996]
  本稿では,連続時間最適制御問題(OCP)に対するNODEアプローチを提案する。 これは、リプノフ関数を指数関数的に安定化させ、状態フィードバック型ニューラルコントロールポリシーを学習する新しいリプノフ損失定式化を使用する。 提案されたリャプノフ損失により、L-NODECは制御系の指数的安定性を保証でき、初期状態への摂動に対する対角的堅牢性も保証できる。
  論文  参考訳（メタデータ） (2024-08-31T08:59:18Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• A Theoretical Overview of Neural Contraction Metrics for Learning-based Control with Guaranteed Stability [7.963506386866862]
  本稿では,最適縮尺と対応する微分リャプノフ関数のニューラルネットワークモデルを提案する。 そのイノベーションは、学習ベースの制御フレームワークに対して、正式な堅牢性を保証することである。
  論文  参考訳（メタデータ） (2021-10-02T00:28:49Z)
• Closing the Closed-Loop Distribution Shift in Safe Imitation Learning [80.05727171757454]
  模倣学習問題において,安全な最適化に基づく制御戦略を専門家として扱う。 我々は、実行時に安価に評価でき、専門家と同じ安全保証を確実に満足する学習されたポリシーを訓練する。
  論文  参考訳（メタデータ） (2021-02-18T05:11:41Z)

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。