論文の概要: Learning Dynamical Systems from Multiple Sparse Datasets: A Hierarchical Bayesian Modeling Approach

• arxiv url: http://arxiv.org/abs/2606.24966v1
• Date: Tue, 23 Jun 2026 09:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.074434
• Title: Learning Dynamical Systems from Multiple Sparse Datasets: A Hierarchical Bayesian Modeling Approach
• Title（参考訳）: 複数のスパースデータセットから動的システムを学ぶ:階層的ベイズモデルアプローチ
• Authors: Cristian Brugnara, Lea Multerer, Marco Forgione, Laura Azzimonti,
• Abstract要約: 本稿では,動的システムにおける確率的メタラーニングのための階層型ベイズフレームワークを提案する。 数値ODEソルバを勾配に基づくMCMC内に埋め込んで、共有集団の効率的な後部推定とデータセット固有のパラメータ分布を実現する。 実験では、スパースデータを用いた設定において、非プール方式よりも予測性能が向上し、データ効率の高いシステム識別の可能性を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating parameters of dynamical systems from sparse, noisy, and irregularly sampled data is often severely ill-conditioned. When multiple related datasets are available, they provide additional information if the shared structure and variability are properly modeled. We propose a hierarchical Bayesian framework for probabilistic meta-learning in dynamical systems, modeling dataset-specific parameters as draws from a shared population distribution. A numerical ODE solver is embedded within gradient-based MCMC to enable efficient posterior inference of the shared population and dataset-specific parameter distribution. Experiments show improved predictive performance over unpooled methods, highlighting the potential for data-efficient system identification in settings with sparse data.
• Abstract（参考訳）: スパース、ノイズ、不規則なサンプルデータから力学系のパラメータを推定することは、しばしば深刻な条件で行われている。 複数の関連するデータセットが利用可能になった場合、共有構造と可変性が適切にモデル化されている場合、追加情報を提供する。 本稿では,動的システムにおける確率的メタ学習のための階層型ベイズフレームワークを提案する。 数値ODEソルバを勾配に基づくMCMC内に埋め込んで、共有集団の効率的な後部推定とデータセット固有のパラメータ分布を実現する。 実験では、スパースデータを用いた設定において、非プール方式よりも予測性能が向上し、データ効率の高いシステム識別の可能性を強調した。

関連論文リスト

• Meta-probabilistic Modeling [36.339664748241944]
  複数の関連するデータセットから生成モデル構造を直接学習するメタ確率モデリング(MPM)を提案する。 学習と推論のために、抽出可能なVAEにインスパイアされたサロゲートの目的を提案し、双方向の最適化により最適化する。 我々は、オブジェクト中心の画像モデリングとシーケンシャルテキストモデリングでMPMを評価し、有意義な潜在表現を復元しながら、生成モデルをデータに適応させることを実証した。
  論文  参考訳（メタデータ） (2026-01-08T00:34:06Z)
• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• Estimation of System Parameters Including Repeated Cross-Sectional Data through Emulator-Informed Deep Generative Model [5.3060535072023844]
  政治、経済学、生物学において、利用可能なデータは、しばしば異なる主題から異なる時点に独立して収集される。 従来の最適化手法は、RCSデータが様々な不均一性を示すとき、DECパラメータを正確に推定するのに苦労する。 エミュレータインフォームド・ディープジェネレーション・モデル(EIDGM)と呼ばれる新しい推定法を提案する。 EIDGMは物理インフォームドニューラルネットワークベースのエミュレータを統合しており、DECソリューションとワッサーシュタイン生成逆ネットワークベースのパラメータジェネレータを即座に生成する。
  論文  参考訳（メタデータ） (2024-12-27T08:19:23Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Scalable Regularised Joint Mixture Models [2.0686407686198263]
  多くの応用において、データは異なる基底分布を持つ潜在群にまたがるという意味で不均一である。 我々は,(i)明示的多変量特徴分布,(ii)高次元回帰モデル,(iii)潜在群ラベルの連成学習を可能にする異種データに対するアプローチを提案する。 このアプローチは明らかに高次元において有効であり、計算効率のためのデータ削減と、特徴数が大きければ鍵信号を保持する再重み付けスキームを組み合わせる。
  論文  参考訳（メタデータ） (2022-05-03T13:38:58Z)
• A Differentially Private Probabilistic Framework for Modeling the Variability Across Federated Datasets of Heterogeneous Multi-View Observations [4.511923587827301]
  我々のフレームワークは、潜在マスターの分布とクライアントのパラメータよりも期待(EM)によって効果的に最適化できることを示す。 アルツハイマー病に罹患した患者の臨床データから, マルチモーダル・メディカル・イメージング・データの解析と臨床成績について検討した。
  論文  参考訳（メタデータ） (2022-04-15T07:20:47Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via Generative Models [16.436293069942312]
  我々は、教師なしの方法で高次元異種データから確率的生成モデルを学習することに興味がある。 本稿では,指数関数的な分布系を通じて異なるデータ型を結合する一般的なフレームワークを提案する。 提案アルゴリズムは、実数値(ガウス)とカテゴリー(マルチノミカル)の特徴を持つ、よく遭遇する異種データセットについて詳細に述べる。
  論文  参考訳（メタデータ） (2021-08-27T18:10:31Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。