論文の概要: State-Coupled Volatility in Latent Dynamical Systems: Recovery Under Partial Observation
- arxiv url: http://arxiv.org/abs/2606.02664v1
- Date: Mon, 01 Jun 2026 10:00:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.502317
- Title: State-Coupled Volatility in Latent Dynamical Systems: Recovery Under Partial Observation
- Title（参考訳）: 潜在力学系における状態結合ボラティリティ:部分観察による回復
- Authors: Imani Beckett,
- Abstract要約: 我々は,潜在過程の変動が潜在平衡からの変位に依存する状態結合ボラティリティの枠組みを導入する。
その結果, 部分観察により, 状態結合ボラティリティを同定し, 推定できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Latent state-space models are widely used to study partially observed dynamical systems, yet most formulations assume that process variability is independent of latent-state position. In many biological, behavioral, and physiological systems, however, variability may depend systematically on the underlying dynamical state, producing structured stochasticity that is not captured by constant-variance models. We introduce a state-coupled stochastic volatility framework in which latent process variance depends on displacement from a latent equilibrium. To estimate this relationship under partial observation, we develop a particle expectation-maximization procedure combining bootstrap particle filtering and backward trajectory smoothing. The model includes a coupling parameter, $γ$, that quantifies the strength of association between latent-state position and process variability. A large-scale simulation benchmark evaluated recovery and detection performance across varying coupling strengths, observation noise levels, trajectory lengths, and persistence regimes. The proposed framework consistently reduced recovery bias relative to an observed-state heteroskedastic proxy, with the largest improvements occurring under strong coupling. Recovery performance improved with increasing latent persistence, while detection performance remained competitive across a broad range of conditions and became increasingly advantageous as observation noise increased. Taken together, the results demonstrate that state-coupled volatility can be identified and estimated under partial observation when latent-state structure is explicitly modeled. The framework provides a practical methodological foundation for studying state-dependent variability and evaluating whether structured stochasticity contributes information about system dynamics beyond that contained in mean-state trajectories alone.
- Abstract（参考訳）: 潜在状態空間モデルは、部分的に観察された力学系を研究するために広く用いられているが、ほとんどの定式化は、プロセスの可変性は潜状態の位置とは独立であると仮定する。
しかし、多くの生物学的、行動学的、生理的システムでは、変動性は基礎となる力学状態に体系的に依存し、一定の分散モデルでは捉えられない構造的確率性を生み出す。
本稿では,潜在過程の変動が潜在平衡からの変位に依存する状態結合確率的ボラティリティの枠組みを導入する。
この関係を部分観察下で推定するために,ブートストラップ粒子フィルタリングと後方軌道平滑化を組み合わせた粒子予測最大化法を開発した。
このモデルには結合パラメータである$γ$が含まれており、潜在状態の位置とプロセスの変動性の関連性の強さを定量化している。
大規模シミュレーションベンチマークでは, 各種結合強度, 観測騒音レベル, 軌道長, 持続状態の回復および検出性能の評価を行った。
提案したフレームワークは, 強い結合下での最大の改善により, 観測状態のヘテロスケダスティックプロキシに対する回復バイアスを連続的に低減する。
回復性能は潜時持続性の向上とともに向上したが、検出性能は幅広い条件で競争力を維持し、観測ノイズの増加とともにますます有利になった。
その結果, 潜在状態構造が明示的にモデル化された場合, 部分観測により状態結合ボラティリティを同定し, 推定できることが示唆された。
このフレームワークは、状態依存的変動を研究するための実践的な方法論基盤を提供し、構造的確率性が平均状態軌道のみに含まれるシステム力学に関する情報に寄与するかどうかを評価する。
関連論文リスト
- Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。
我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。
我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
論文 参考訳（メタデータ） (2026-03-23T17:14:11Z) - STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching [2.5845893156827158]
本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。
本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。
その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
論文 参考訳（メタデータ） (2026-03-09T15:15:21Z) - Knowledge-Informed Kernel State Reconstruction for Interpretable Dynamical System Discovery [46.9843470803458]
MAAT (Model Aware Approximation of Trajectories) は知識情報に基づくカーネル状態再構成に基づくシンボル発見のためのフレームワークである。
下流のシンボルレグレッションで用いられる軌道や微分に対する状態推定MSEを著しく低減する。
論文 参考訳（メタデータ） (2026-01-29T21:15:52Z) - Variational Physics-Informed Ansatz for Reconstructing Hidden Interaction Networks from Steady States [0.0]
本研究では、不均一な定常状態データから直接一般相互作用演算子を推定する変分物理学インフォームド・アンサッツ(VPIA)を提案する。
VPIAは力学の定常的制約を微分可能な変分表現に埋め込む。
物理由来の定常状態残留を最小化することにより、基礎となる結合を再構築する。
論文 参考訳（メタデータ） (2025-12-06T08:16:32Z) - 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) - Noradrenergic-inspired gain modulation attenuates the stability gap in joint training [44.99833362998488]
連続学習の研究は、安定性ギャップとして知られる新しいタスクを同化する際に、マスターされたタスクのパフォーマンスが過度に低下することを発見した。
タスク境界における迅速な適応と堅牢な保持のバランスの不均衡を反映していると我々は主張する。
結節性好中球を介するノルアドレナリン系バーストに着想を得て,不確実性変調ゲインダイナミクスを提案する。
論文 参考訳（メタデータ） (2025-07-18T16:34:06Z) - Neural Persistence Dynamics [8.197801260302642]
時間発展する点雲のトポロジにおける力学を学習する問題を考察する。
提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
論文 参考訳（メタデータ） (2024-05-24T17:20:18Z) - Statics and Dynamics of non-Hermitian Many-Body Localization [0.0]
多体局在相は、乱れた相互作用系における初期状態の記憶を保持する。
非対称ホッピングによりユニタリ性を破る相互作用する波多野・ネルソンモデルに焦点をあてる。
本研究は, 乱れたオープンシステムにおける中間的動的状態の可能性を示している。
論文 参考訳（メタデータ） (2023-01-04T18:58:17Z) - Noisy Recurrent Neural Networks [45.94390701863504]
入力データによって駆動される微分方程式の離散化として,隠れ状態に雑音を注入することによって訓練されたリカレントニューラルネットワーク(RNN)について検討する。
合理的な仮定の下では、この暗黙の正則化はより平坦なミニマムを促進し、より安定な力学を持つモデルに偏りを呈し、分類タスクではより大きな分類マージンを持つモデルを好む。
本理論は, 各種入力摂動に対するロバスト性の向上と, 最先端性能の維持を両立させる実証実験により支持された。
論文 参考訳（メタデータ） (2021-02-09T15:20:50Z) - Feedback-induced instabilities and dynamics in the Jaynes-Cummings model [62.997667081978825]
時間遅延コヒーレントフィードバックを受けるJaynes-Cummingsモデルのコヒーレンスと定常状態特性について検討する。
導入されたフィードバックは、システムの動的応答と定常量子特性を質的に修正する。
論文 参考訳（メタデータ） (2020-06-20T10:07:01Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。