論文の概要: Eigenspace-Based Clustering for Personalized System Identification

• arxiv url: http://arxiv.org/abs/2606.20811v1
• Date: Thu, 18 Jun 2026 18:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:47:38.380557
• Title: Eigenspace-Based Clustering for Personalized System Identification
• Title（参考訳）: 個人化システム同定のための固有空間クラスタリング
• Authors: Abdulmoneam Ali, Dipankar Maity, Ahmed Arafa,
• Abstract要約: 本研究では,局所的に観測されたデータの構造を用いて類似したシステムを特定する,ワンショットでトレーニング不要なクラスタリング手法を提案する。 数値実験により,提案手法は共有力学系を効果的に同定することを示した。
• 参考スコア（独自算出の注目度）: 4.1802036269424585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of system identification in heterogeneous settings, where different systems may follow distinct underlying dynamics. Existing clustered system identification approaches often rely on iterative training-based cluster assignment, which can be sensitive to learning uncertainty and model initialization. In contrast, we propose a one-shot, training-free clustering method that identifies similar systems using the structure of their locally observed data. Specifically, each system estimates a local state covariance matrix, and cluster identities are inferred by measuring the alignment between the leading covariance eigenspaces of different systems. We provide a mathematical interpretation of the proposed similarity score and develop a finite-sample analysis that characterizes how covariance estimation error induces eigenspace perturbations in terms of the underlying system dynamics. We then derive a probability bound for pairwise false merges and a global clustering success guarantee. Numerical experiments demonstrate that the proposed eigenspace-based clustering method effectively identifies systems with shared dynamics, leading to lower personalized model-estimation error compared with training-based clustering and non-clustered baselines.
• Abstract（参考訳）: 異種環境におけるシステム同定の問題点について検討し,異なる系が異なる基礎となる力学を追従する可能性について考察する。 既存のクラスタシステム識別アプローチは、しばしば反復的なトレーニングベースのクラスタ割り当てに依存しており、不確実性学習やモデル初期化に敏感である。 対照的に、局所的に観測されたデータの構造を用いて類似したシステムを特定する、ワンショットでトレーニング不要なクラスタリング手法を提案する。 具体的には、各系は局所的状態共分散行列を推定し、異なる系の主共分散固有空間間のアライメントを測定することによりクラスタのアイデンティティを推定する。 提案した類似度スコアを数学的に解釈し,共分散推定誤差が系力学の基盤となる固有空間摂動をいかに誘導するかを特徴付ける有限サンプル解析を開発した。 次に、ペアワイズフェイルマージとグローバルクラスタリング成功保証に縛られる確率を導出する。 数値実験により,提案手法は共有力学系を効果的に同定し,学習ベースクラスタリングや非クラスタ化ベースラインと比較して,パーソナライズされたモデル推定誤差を小さくすることを示した。

関連論文リスト

• Turtle shell clustering: A mixture approach to discriminative clustering with applications to flow cytometry and other data [0.254890465057467]
  クラスタリングに対する生成的アプローチは、クラスタの幾何学的性質に関する情報を提供する。 識別的アプローチはクラスタ間のバウンダリを提供する。 完全教師なし,確率的,差別的なクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2026-04-25T00:33:30Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Behavioral Anomaly Detection in Distributed Systems via Federated Contrastive Learning [0.8906214436849201]
  目標は、データプライバシ、ノードの不均一性、異常パターン認識という観点で、従来の集中型アプローチの制限を克服することにある。 提案手法は,フェデレート学習の分散協調モデリング機能と,コントラスト学習の特徴識別強化を併用する。 ローカルノードに埋め込み表現を構築し、正と負のサンプルペアを構築して、より差別的な特徴空間を学ぶモデルを導く。
  論文  参考訳（メタデータ） (2025-06-24T02:04:44Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• An Agglomerative Clustering of Simulation Output Distributions Using Regularized Wasserstein Distance [0.0]
  本稿では,正規化ワッサーシュタイン距離をクラスタシミュレーション出力に利用した新しいクラスタリングアルゴリズムを提案する。 このフレームワークには、異常検出、事前最適化、オンライン監視など、いくつかの重要なユースケースがある。
  論文  参考訳（メタデータ） (2024-07-16T18:07:32Z)
• Learning Personalized Models with Clustered System Identification [4.422315636150272]
  本稿では, 線形系モデルにおいて, 異なる系力学から複数の軌道を観測することから, 線形系モデルを学習することの問題点に対処する。 本稿では,各システムがクラスタアイデンティティを交互に推定し,そのダイナミクスを推定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-03T22:06:49Z)
• A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
  異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。 ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。 厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
  論文  参考訳（メタデータ） (2022-09-22T09:04:10Z)
• Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
  非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。 本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。 教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
  論文  参考訳（メタデータ） (2021-09-29T02:56:45Z)

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。