論文の概要: Spike-based Belief Propagation in Nonlinear Dynamical Systems

• arxiv url: http://arxiv.org/abs/2608.19907v1
• Date: Thu, 20 Aug 2026 11:20:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.553435
• Title: Spike-based Belief Propagation in Nonlinear Dynamical Systems
• Title（参考訳）: 非線形力学系におけるスパイクに基づく信念伝播
• Abstract要約: 本研究では,不確実な環境で動作可能な脳様制御アルゴリズムを提案する。 我々は、山車駐車問題を非線形力学のベンチマークとして利用する。 その結果、計算神経科学と確率論的制御理論の橋渡しとして提案されたモデルの可能性を強調した。
• 参考スコア（独自算出の注目度）: 3.8108588769749407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a Bayesian control framework that integrates spike-based dynamics with probabilistic inference for adaptive control. Bayesian inference is widely regarded as a core computational principle of brain function, providing a normative framework for perception, decision-making, and learning under uncertainty. By combining a biologically inspired spiking neural model with Bayesian inference principles, we propose a brain-like control algorithm capable of operating in uncertain environments. We use the mountain car parking problem as a benchmark with non-linear dynamics. Our results demonstrate that the proposed controller can successfully update states in real time and generate goal-directed action plans through spike-driven dynamics. The results highlight the proposed model's potential as a bridge between computational neuroscience and probabilistic control theory.
• Abstract（参考訳）: 本稿では、スパイクに基づくダイナミクスと適応制御の確率論的推論を統合したベイズ制御フレームワークを提案する。 ベイズ推論は脳機能のコア計算原理として広く考えられており、不確実性の下での知覚、意思決定、学習の規範的枠組みを提供する。 生物学的にインスパイアされたスパイクニューラルモデルとベイズ推論の原理を組み合わせることで、不確実な環境で動作可能な脳様制御アルゴリズムを提案する。 我々は、山車駐車問題を非線形力学のベンチマークとして利用する。 この結果から,提案した制御器はリアルタイムに状態を更新し,スパイク駆動のダイナミックスにより目標指向の動作計画を生成することができることがわかった。 その結果、計算神経科学と確率論的制御理論の橋渡しとして提案されたモデルの可能性を強調した。

関連論文リスト

• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Optimal Control of Probabilistic Dynamics Models via Mean Hamiltonian Minimization [1.1992579325061068]
  我々はポントリャーギン最大原理の確率論的解釈を学習力学モデルによる最適制御の挑戦に翻訳する。 我々の枠組みは、系力学上の後続分布に関して平均ハミルトン分布を最小化することにより、不確実性の原則的処理を提供する。 最適制御と強化学習をブリッジすることで,本手法は学習力学を用いて不確実なシステムを制御するための原則的かつ実践的な枠組みを提供する。
  論文  参考訳（メタデータ） (2025-04-03T12:51:20Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Adaptive Robust Model Predictive Control via Uncertainty Cancellation [25.736296938185074]
  本稿では,動的に重要な不確かさを補う学習に基づく頑健な予測制御アルゴリズムを提案する。 我々は、一定の等価な「推定とキャンセル」制御法に着想を得た、非線形フィードバックポリシーのクラスを最適化する。
  論文  参考訳（メタデータ） (2022-12-02T18:54:23Z)
• Deep Grey-Box Modeling With Adaptive Data-Driven Models Toward Trustworthy Estimation of Theory-Driven Models [88.63781315038824]
  本稿では,ニューラルネットワークのアーキテクチャとトレーニング目標にわずかな変化を伴って,レギュレータの動作を経験的に分析することのできるフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T10:42:26Z)
• A Theoretical Overview of Neural Contraction Metrics for Learning-based Control with Guaranteed Stability [7.963506386866862]
  本稿では,最適縮尺と対応する微分リャプノフ関数のニューラルネットワークモデルを提案する。 そのイノベーションは、学習ベースの制御フレームワークに対して、正式な堅牢性を保証することである。
  論文  参考訳（メタデータ） (2021-10-02T00:28:49Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Adaptive Robust Model Predictive Control with Matched and Unmatched Uncertainty [28.10549712956161]
  離散時間系のダイナミクスにおける大きな不確実性を扱うことができる学習ベースの堅牢な予測制御アルゴリズムを提案する。 既存の学習に基づく予測制御アルゴリズムが大規模な不確実性が存在する場合の安全性を確保することができず、性能が大幅に向上する。
  論文  参考訳（メタデータ） (2021-04-16T17:47:02Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。