論文の概要: Meta-Learning for Rapid Adaptation in Reference Tracking of Uncertain Nonlinear Systems

• arxiv url: http://arxiv.org/abs/2605.22513v1
• Date: Thu, 21 May 2026 14:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.289717
• Title: Meta-Learning for Rapid Adaptation in Reference Tracking of Uncertain Nonlinear Systems
• Title（参考訳）: 不確かさ非線形システムの参照追従における高速適応のためのメタラーニング
• Authors: Jiaqi Yan, Ankush Chakrabarty, Niklas Schmid, John Lygeros, Alisa Rupenyan,
• Abstract要約: 暗黙的なモデルに依存しないメタラーニング(iMAML)アルゴリズムを制御設定に適合させるメタラーニングベースの制御フレームワークを提案する。 我々はこのフレームワークを二段階最適化問題として定式化し、ストレージの複雑さを低減し、近似の少ない効率的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 10.214460763156191
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we address the problem of reference tracking for uncertain nonlinear systems. Since collecting data from the target system (i.e., the system of interest) is often challenging, our objective is to design optimal controllers using limited target system data. Meta-learning provides a promising paradigm by leveraging offline data from source systems (systems sharing structural similarities with the target system) to accelerate training and enhance control performance. Motivated by this idea, we propose a meta-learning-based control framework that tailors the implicit model-agnostic meta-learning (iMAML) algorithm to the control setting. The framework operates in two phases: an (offline) meta-training phase, where an aggregated representation is learned from source data to capture the shared system dynamics among similar systems, and an (online) meta-adaptation phase, where this representation is fine-tuned on the target system using only a few data samples and limited adaptation steps. We formulate this framework as a bi-level optimization problem and provide an efficient solution with reduced storage complexity and few approximations. The proposed framework is general, allowing various learning algorithms to be integrated. To demonstrate this flexibility, we propose two specific learning algorithms that can be incorporated into our framework based on a neural state-space model and a deep Q-network, respectively. The primary distinction between these approaches is whether explicit system identification is required. Numerical simulations and hardware experiments demonstrate that the proposed methods enhance control performance and consistently outperform baseline approaches.
• Abstract（参考訳）: 本稿では,不確実な非線形システムに対する参照追跡の問題に対処する。 対象システム(すなわち、関心のシステム)からデータを収集することはしばしば困難であるので、我々の目標は、限られた対象システムデータを用いて最適なコントローラを設計することである。 メタラーニングは、トレーニングを加速し、制御性能を向上させるために、ソースシステム(ターゲットシステムと構造的類似点を共有するシステム)からのオフラインデータを活用することで、有望なパラダイムを提供する。 このアイデアを動機として,暗黙的モデル非依存型メタラーニング(iMAML)アルゴリズムを制御設定に適合させるメタラーニングベースの制御フレームワークを提案する。 このフレームワークは、ソースデータから集約された表現を学習し、類似システム間の共有システムダイナミクスをキャプチャする(オフライン)メタトレーニングフェーズと、この表現をターゲットシステム上でいくつかのデータサンプルと限られた適応ステップのみを使用して微調整する(オンライン)メタ適応フェーズの2つのフェーズで機能する。 我々はこのフレームワークを二段階最適化問題として定式化し、ストレージの複雑さを低減し、近似の少ない効率的なソリューションを提供する。 提案するフレームワークは汎用的であり、様々な学習アルゴリズムを統合することができる。 この柔軟性を示すために,ニューラル状態空間モデルとディープQネットワークに基づく2つの学習アルゴリズムを提案する。 これらのアプローチの主な違いは、明示的なシステム識別が必要であるかどうかである。 数値シミュレーションとハードウェア実験により,提案手法により制御性能が向上し,ベースラインアプローチが一貫した性能が向上することを示した。

関連論文リスト

• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• End-to-End Learning Framework for Solving Non-Markovian Optimal Control [13.207458293652635]
  本稿では、FOLTIシステムのための革新的なシステム識別方法制御戦略を提案する。 また、最初のエンドツーエンドデータ駆動学習フレームワークであるFractional-Order Learning for Optimal Control(FOLOC)も開発しています。
  論文  参考訳（メタデータ） (2025-02-07T04:18:56Z)
• MPC of Uncertain Nonlinear Systems with Meta-Learning for Fast Adaptation of Neural Predictive Models [6.031205224945912]
  ニューラル状態空間モデル(NSSM)は、ディープエンコーダネットワークがデータから非線形性を学ぶ非線形系を近似するために用いられる。 これにより非線形系を潜在空間の線形系に変換し、モデル予測制御(MPC)を用いて効果的な制御動作を決定する。
  論文  参考訳（メタデータ） (2024-04-18T11:29:43Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Neural-iLQR: A Learning-Aided Shooting Method for Trajectory Optimization [17.25824905485415]
  制約のない制御空間上の学習支援シューティング手法であるNeural-iLQRを提案する。 システムモデルにおける不正確さの存在下で、従来のiLQRよりも著しく優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-21T07:17:28Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)

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。