論文の概要: Dynestyx: A Probabilistic Programming Library for Dynamical Systems
- arxiv url: http://arxiv.org/abs/2606.16985v1
- Date: Mon, 15 Jun 2026 17:23:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 18:36:05.097585
- Title: Dynestyx: A Probabilistic Programming Library for Dynamical Systems
- Title（参考訳）: Dynestyx: 動的システムのための確率的プログラミングライブラリ
- Authors: Daniel Waxman, Dmitry Batenkov, John Feser, Andy Zane, Eli Bingham, Youssef Marzouk, Matthew E. Levine,
- Abstract要約: 状態空間モデル (SSM) は力学系のベイズ的処理の標準形式である。
本稿では,SSMを第一級にサポートする確率型プログラミングライブラリであるdynestyxを紹介する。
- 参考スコア（独自算出の注目度）: 3.956533305348252
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State-space models (SSMs) are the standard formalism for Bayesian treatment of dynamical systems, with natural applications in statistics, signal processing, and machine learning. Despite their importance in both theory and application, dynamical systems have proven difficult to incorporate in modern probabilistic programming languages (PPLs), making state-of-the-art methods less accessible to practitioners and introducing friction in following the "Bayesian workflow." We introduce dynestyx, a probabilistic programming library with first-class support for SSMs, including state-of-the-art methods in the estimation of both states and parameters. Through a single, unified interface, users may specify arbitrary priors for discrete-time or continuous-time dynamical systems, perform inference over mixed-effect data, and make state and parameter estimates with principled uncertainty quantification.
- Abstract（参考訳）: 状態空間モデル(英: State-space model、SSM)は、統計学、信号処理、機械学習において自然に応用された力学系のベイズ処理の標準形式である。
理論と応用の両方において重要であるにもかかわらず、力学系は現代の確率的プログラミング言語(PPL)に組み込むのが困難であることが証明され、最先端の手法は実践者にとってアクセスしにくくなり、「ベイジアンワークフロー」に従えば摩擦が生じる。
本稿では,SSMを第一級にサポートする確率型プログラミングライブラリであるdynestyxを紹介する。
単一の統一インターフェースを通じて、ユーザーは離散時間または連続時間力学系の任意の事前を指定し、混合効果データに対する推論を行い、原理化された不確実性定量化を伴う状態とパラメータの推定を行うことができる。
関連論文リスト
- Data-driven stochastic reduced-order modeling of parametrized dynamical systems [3.5684665108045377]
パラメータ空間と強制条件をまたいで一般化する連続時間ROMを学習するためのデータ駆動型フレームワークを提案する。
パラメータの組み合わせと強制を未確認で組み合わせることに優れた一般化を示し、既存の手法と比較して大きな効率向上を示した。
論文 参考訳（メタデータ） (2026-01-15T18:50:18Z) - Reinforcement learning based data assimilation for unknown state model [3.032674692886751]
本研究では,強化学習とアンサンブルに基づくベイジアン・ファルトリング手法を組み合わせた新しい手法を提案する。
提案フレームワークは, 非線形および部分観測計測モデルを含む, 幅広い観測シナリオに対応している。
いくつかの数値的な例では,提案手法は高次元設定における精度とロバスト性を向上することを示した。
論文 参考訳（メタデータ） (2025-11-04T05:58:37Z) - Efficient Parametric SVD of Koopman Operator for Stochastic Dynamical Systems [51.54065545849027]
クープマン作用素は非線形力学系を解析するための原理的なフレームワークを提供する。
VAMPnet と DPNet はクープマン作用素の主特異部分空間を学ぶために提案されている。
我々は、クープマン作用素のトップ$kの特異関数を学ぶためのスケーラブルで概念的にシンプルな方法を提案する。
論文 参考訳（メタデータ） (2025-07-09T18:55:48Z) - 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) - Sampling-Free Probabilistic Deep State-Space Models [28.221200872943825]
確率論的深部SSMは未知のパラメトリック形式の力学系に一般化する。
このタイプのモデルに対する最初の決定論的推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-15T09:06:23Z) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳（メタデータ） (2022-12-01T17:36:30Z)
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。