Fugu-MT 論文翻訳(概要): Integral Formulation of QENDy for Robust Nonlinear System Identification

論文の概要: Integral Formulation of QENDy for Robust Nonlinear System Identification

arxiv url: http://arxiv.org/abs/2606.11629v1
Date: Wed, 10 Jun 2026 03:49:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-11 16:42:38.277743
Title: Integral Formulation of QENDy for Robust Nonlinear System Identification
Title（参考訳）: ロバスト非線形システム同定のためのQendyの積分式化
Abstract要約: 非線形システム(QENDy)を特定するために新たに定義された二次埋め込み法の積分定式化を提案する。我々の積分定式化は時間微分を使用しない。これにより、力学を学ぶためのより堅牢な方法がもたらされる。
参考スコア（独自算出の注目度）: 0.4469255274378329
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This manuscript proposes an integral formulation of the newly defined quadratic embedding method for identifying nonlinear systems (QENDy). In the original algorithm, trajectory data points along with their time derivatives are used. Methods for calculating time derivatives make the algorithm sensitive to noise. Our integral formulation does not use the time derivatives. This results in a more robust method to learn the dynamics.
Abstract（参考訳）: 本論文は,非線形システム(QENDy)を識別するための新たな定式化法を提案する。元のアルゴリズムでは、軌跡データポイントとその時間微分が使用される。時間微分を計算する方法は、アルゴリズムをノイズに敏感にする。我々の積分定式化は時間微分を使わない。これにより、ダイナミックスを学ぶためのより堅牢な方法が得られる。

関連論文リスト

Data-Driven Learning of Unknown Nonlinear Differential Equations Using Functional Analysis [0.0]
提案手法は,非線形力学の未知ベクトル場をシステム物理の事前知識なく学習することを目的としている。オンラインで新しいトレーニングサンプルを扱うために,未知のベクトル場を学習するために,漸進学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2026-09-03T18:02:23Z)
Fast-forwarding quantum algorithms for weakly nonlinear dissipative differential equations and beyond [5.509525921849405]
弱非線形散逸常微分方程式を解くための高速フォワード量子アルゴリズムについて検討する。本手法は,カールマン埋め込み法と線形系に対するハミルトンシミュレーションアルゴリズムの線形結合を併用した手法である。
論文参考訳（メタデータ） (2026-08-26T14:03:50Z)
Explicit Discovery of Nonlinear Symmetries from Dynamic Data [50.20526548924647]
LieNLSDは非線形項の無限小生成器の数とその明示的な表現を決定する最初の方法である。 LieNLSDは既存の手法に比べて質的な利点を示し、ニューラルPDEソルバの長期ロールアウト精度を20%以上改善する。
論文参考訳（メタデータ） (2025-10-02T09:54:08Z)
Data-driven system identification using quadratic embeddings of nonlinear dynamics [0.9714447724811842]
我々はQENDy(Quadratic Embedding of Dynamics)と呼ばれる新しいデータ駆動手法を提案する。このアプローチは、力学が二次となる高次元の特徴空間へのシステムの埋め込みに基づいている。本稿では,様々なベンチマーク問題の助けを借りてQENDyの有効性と精度を説明し,その性能をSINDyや2次埋め込みを同定するためのディープラーニング手法と比較する。
論文参考訳（メタデータ） (2025-01-14T15:37:03Z)
Gaussian process learning of nonlinear dynamics [0.0]
モデルパラメータのキャラクタリゼーションのベイズ推定により非線形力学を学習する手法を提案する。本稿では,提案手法の適用性について,力学系におけるいくつかの典型的なシナリオについて論じる。
論文参考訳（メタデータ） (2023-12-19T14:27:26Z)
Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
論文参考訳（メタデータ） (2023-05-31T03:48:49Z)
Stochastic Nonlinear Control via Finite-dimensional Spectral Dynamic Embedding [20.43835169613882]
本稿では,非線形系の最適制御のためのスペクトルダイナミクス埋め込み制御(SDEC)を提案する。これはシステムの非線形力学によって誘導される無限次元の特徴表現を明らかにし、状態-作用値関数の線形表現を可能にする。実用的な実装では、この表現は有限次元のトランケーションを用いて近似される。
論文参考訳（メタデータ） (2023-04-08T04:23:46Z)
Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics with Quantified Uncertainty [8.815974147041048]
本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
論文参考訳（メタデータ） (2022-10-14T20:37:36Z)
Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文参考訳（メタデータ） (2022-07-28T19:59:14Z)
A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-01-29T23:31:25Z)
Learning Linearized Assignment Flows for Image Labeling [70.540936204654]
画像ラベリングのための線形化代入フローの最適パラメータを推定するための新しいアルゴリズムを提案する。この式をKrylov部分空間と低ランク近似を用いて効率的に評価する方法を示す。
論文参考訳（メタデータ） (2021-08-02T13:38:09Z)
DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文参考訳（メタデータ） (2021-01-15T00:13:33Z)

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。