論文の概要: Online learning of neural state-space models

• arxiv url: http://arxiv.org/abs/2607.17614v1
• Date: Mon, 20 Jul 2026 07:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.517612
• Title: Online learning of neural state-space models
• Title（参考訳）: ニューラル状態空間モデルのオンライン学習
• Abstract要約: ディープラーニングに基づく非線形システム同定の最近の進歩は、エンコーダに基づくニューラルステートスペース(ANN-SS)モデルの推定につながっている。 本稿では,サブスペースエンコーダを用いたANN-SSモデルのためのバッチワイズ学習パイプラインと直接再帰同定アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.9377646956063705
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in deep-learning-based nonlinear system identification have led to encoder-based estimation of neural state-space (ANN-SS) models that achieve state-of-the-art performance in offline settings by estimating initial model states from past input-output data. These methods are typically used in multiple-shooting-based offline identification, and online learning of these models remains largely unexplored. This paper presents a batch-wise learning pipeline and a direct recursive identification algorithm for subspace encoder-based ANN-SS models. We provide convergence analysis of the recursive formulation and validate its performance through extensive simulation studies. The results demonstrate that the proposed approach enables computationally efficient online adaptation with high model accuracy.
• Abstract（参考訳）: 深層学習に基づく非線形システム同定の最近の進歩は、過去の入力出力データから初期モデル状態を推定することにより、オフライン環境での最先端性能を達成するエンコーダベースのニューラルステートスペース(ANN-SS)モデルの推定につながっている。 これらの手法は、通常、複数の撮影ベースのオフライン識別に使用され、これらのモデルのオンライン学習は、ほとんど探索されていない。 本稿では,サブスペースエンコーダを用いたANN-SSモデルに対するバッチワイズ学習パイプラインと直接再帰的同定アルゴリズムを提案する。 本稿では、再帰的定式化の収束解析を行い、その性能を広範囲にわたるシミュレーション研究を通して検証する。 提案手法は,高いモデル精度で計算効率のよいオンライン適応を実現することを実証した。

関連論文リスト

• A new approach for combined model class selection and parameters learning for auto-regressive neural models [0.4779196219827507]
  この研究は、特定のリカレントニューラルネットワーク(RNN)ファミリー、すなわち、eXogenous inputs Echo State Networks (XENARSNs)による自動回帰に焦点を当てている。 このメソッドは最適なモデルクラスを同時に選択し、データからモデルパラメータを学習する。 その結果、制御アプリケーションに適した擬似的かつ正確なモデルを特定する手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-24T12:26:25Z)
• Online-BLS: An Accurate and Efficient Online Broad Learning System for Data Stream Classification [52.251569042852815]
  オンライン更新毎にクローズドフォームソリューションを備えたオンライン広範学習システムフレームワークを導入する。 我々は,効果的な重み推定アルゴリズムと効率的なオンライン更新戦略を設計する。 我々のフレームワークは、コンセプトドリフトを伴うデータストリームシナリオに自然に拡張され、最先端のベースラインを超えます。
  論文  参考訳（メタデータ） (2025-01-28T13:21:59Z)
• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Initialization Approach for Nonlinear State-Space Identification via the Subspace Encoder Approach [0.0]
  SUBNETは入力出力データから非線形状態空間モデルを特定するために開発された。 状態エンコーダ関数を導入し、過去の入力出力データから現在の状態を再構築する。 本稿では,Best Linear Approximation (BLA) を用いた部分空間エンコーダ手法の初期化に焦点を当てる。
  論文  参考訳（メタデータ） (2023-04-04T20:57:34Z)
• Online model error correction with neural networks in the incremental 4D-Var framework [0.0]
  我々は,オンラインモデル誤り訂正のためのニューラルネットワークのトレーニングに使用できる,新しい弱制約4D-Varの定式化を開発した。 本手法はECMWFオブジェクト指向予測システムに実装されている。 その結果,オンライン学習が有効であることが確認され,オフライン学習よりも精度の高いモデル誤差補正が得られた。
  論文  参考訳（メタデータ） (2022-10-25T07:45:33Z)
• DeepBayes -- an estimator for parameter estimation in stochastic nonlinear dynamical models [11.917949887615567]
  本研究では,DeepBayes推定器を提案する。 ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。 提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
  論文  参考訳（メタデータ） (2022-05-04T18:12:17Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• COMBO: Conservative Offline Model-Based Policy Optimization [120.55713363569845]
  ディープニューラルネットワークのような複雑なモデルによる不確実性推定は困難であり、信頼性が低い。 我々は,サポート外状態動作の値関数を正規化するモデルベースオフラインRLアルゴリズムCOMBOを開発した。 従来のオフラインモデルフリーメソッドやモデルベースメソッドと比べて、comboは一貫してパフォーマンスが良いことが分かりました。
  論文  参考訳（メタデータ） (2021-02-16T18:50:32Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• Causality-aware counterfactual confounding adjustment for feature representations learned by deep models [14.554818659491644]
  因果モデリングは機械学習(ML)における多くの課題に対する潜在的な解決策として認識されている。 深層ニューラルネットワーク(DNN)モデルによって学習された特徴表現を分解するために、最近提案された対実的アプローチが依然として使われている方法について説明する。
  論文  参考訳（メタデータ） (2020-04-20T17:37:36Z)

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。