論文の概要: End-to-End Identifiable and Consistent Recurrent Switching Dynamical Systems

• arxiv url: http://arxiv.org/abs/2605.06315v1
• Date: Thu, 07 May 2026 14:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.883691
• Title: End-to-End Identifiable and Consistent Recurrent Switching Dynamical Systems
• Title（参考訳）: エンド・ツー・エンド同定・一貫性リカレントスイッチング力学系
• Authors: Carles Balsells-Rodas, Zhengrui Xiang, Xavier Sumba, Yingzhen Li,
• Abstract要約: 本稿では,予測最大化を用いた精度の正確な最適化を可能にするフローベース推定器である$SDSを紹介する。 以上の結果から,VAEに基づく推定値と,基礎となるダイナミクスのより正確な予測値と比較すると,$SDS は分散性の向上を達成できることが示された。
• 参考スコア（独自算出の注目度）: 14.97727869750315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning identifiable representations in deep generative models remains a fundamental challenge, particularly for sequential data with regime-switching dynamics. Existing approaches establish identifiability under restrictive assumptions, such as stationarity or limited emission models, and typically rely on variational autoencoder (VAE) estimators, which introduce approximation gaps that limit the recovery of the latent structure. In this work, we address both the theoretical and practical limitations of this setting. First, we establish identifiability of a broad class of recurrent nonlinear switching dynamical systems under flexible assumptions, significantly extending prior results. Second, we introduce $Ω$SDS, a flow-based estimator that enables exact likelihood optimization using expectation-maximisation. Through empirical validation on both synthetic and real-world data, our results demonstrate that $Ω$SDS achieves improved disentanglement compared to VAE-based estimators and more accurate forecasting of underlying dynamics.
• Abstract（参考訳）: 深層生成モデルにおける識別可能な表現の学習は、特にシステマティックスイッチングダイナミクスを持つシーケンシャルデータにとって、依然として根本的な課題である。 既存のアプローチは、定常性や限られた放出モデルのような制限的な仮定の下で識別可能性を確立し、変分オートエンコーダ(VAE)推定器に依存し、潜伏構造の回復を制限する近似ギャップを導入する。 本研究では,この設定の理論的および実践的限界に対処する。 まず、フレキシブルな仮定の下で、広範に連続する非線形スイッチング力学系の同定可能性を確立し、先行結果を著しく拡張する。 第2に,予測最大化を用いた精度の正確な最適化を可能にするフローベース推定器である$Ω$SDSを導入する。 実世界の合成データと実世界のデータの両方に対する実証的検証により,VAEに基づく推定値と基礎力学のより正確な予測値と比較し,$Ω$SDSが解離を改善できることが実証された。

関連論文リスト

• A Generalized Synthetic Control Method for Baseline Estimation in Demand Response Services [1.2891210250935148]
  本稿では,古典的合成制御法(SCM)に基づく一般化合成制御法を提案する。 我々は,ベースライン推定を動的対実予測問題に変換する一般化されたSCMフレームワークを開発した。 Ausgridスマートメーターデータセットの実験では、古典的なSCMや強力なベンチマーク手法よりも一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-04-20T16:21:33Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• Recurrent Stochastic Configuration Networks with Hybrid Regularization for Nonlinear Dynamics Modelling [3.8719670789415925]
  リカレント・コンフィグレーション・ネットワーク(RSCN)は不確実性のある非線形力学系をモデル化する大きな可能性を示している。 本稿では,ネットワークの学習能力と一般化性能を両立させるために,ハイブリッド正規化を備えたRCCNを提案する。
  論文  参考訳（メタデータ） (2024-11-26T03:06:39Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Data Augmentation through Expert-guided Symmetry Detection to Improve Performance in Offline Reinforcement Learning [0.0]
  マルコフ決定過程(MDP)の動的モデルのオフライン推定は非自明な作業である。 近年の研究では、密度推定法に依存する専門家誘導パイプラインが、決定論的環境において、この構造を効果的に検出できることが示されている。 学習したMDPを解き、実際の環境に最適化されたポリシーを適用すると、前者の結果が性能改善につながることを示す。
  論文  参考訳（メタデータ） (2021-12-18T14:32:32Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• Self-Reflective Variational Autoencoder [21.054722609128525]
  変分オートエンコーダ(VAE)は潜在変数生成モデルを学習するための強力なフレームワークである。 自己回帰推論(self-reflective inference)と呼ばれるソリューションを導入します。 実験では, 後部と後部を正確に一致させることの明確な利点を実証的に示す。
  論文  参考訳（メタデータ） (2020-07-10T05:05:26Z)

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。