論文の概要: Gaussian process learning with flow map refinement for parameter estimation in dynamical systems
- arxiv url: http://arxiv.org/abs/2608.22324v1
- Date: Sun, 23 Aug 2026 09:38:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.972099
- Title: Gaussian process learning with flow map refinement for parameter estimation in dynamical systems
- Title（参考訳）: 動的システムにおけるパラメータ推定のためのフローマップ改良を用いたガウス過程学習
- Abstract要約: 本稿では,2段階のパラメータ推定フレームワークであるフローマップ改良(GPL-FMR)を用いたガウス過程学習に基づくフレームワークを提案する。
提案手法はパラメータ推定の精度を常に改善し,特に希少でノイズの多い観測下では有効である。
- 参考スコア（独自算出の注目度）: 0.6773000941364339
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parameter estimation is a central task in data-driven learning of dynamical systems. It aims to recover the underlying physical parameters from observed time-series data, thereby providing interpretable insights into the physical mechanisms governing the system. Gradient/derivative matching methods based on Gaussian process provide an efficient way to perform parameter estimation. Those methods avoid repeated numerical integration and enforce local derivative consistency. However, such local matching may result in global inconsistency with the governing flow map, particularly under scarce and noisy observations. To address this limitation, we propose a framework based on Gaussian process learning with flow map refinement (GPL-FMR), a two-stage parameter estimation framework. The first stage is based on Gaussian process learning algorithm and the posterior obtained from which is transferred as an informative prior to the second stage based on flow-map refinement. The second stage further improves the parameter estimation via optimisation based on global dynamical constraints. We demonstrate and analyse its performance on multiple numerical examples, including the Van der Pol oscillator, the Lotka-Volterra model, and the Lorenz-63 system. The results show that the proposed framework consistently improves parameter estimation accuracy, particularly under scarce and noisy observations.
- Abstract（参考訳）: パラメータ推定は、動的システムのデータ駆動学習における中心的なタスクである。
観測された時系列データから基礎となる物理パラメータを復元することを目的としており、システムを管理する物理メカニズムに関する解釈可能な洞察を提供する。
ガウス過程に基づく勾配/微分マッチング法はパラメータ推定を効率的に行う方法を提供する。
これらの手法は数値積分の繰り返しを回避し、局所微分一貫性を強制する。
しかし、そのような局所的なマッチングは、特に希少でノイズの多い観測の下で、統治フローマップと大域的に矛盾する可能性がある。
この制限に対処するため,二段階パラメータ推定フレームワークであるフローマップ改良(GPL-FMR)を用いたガウス過程学習に基づくフレームワークを提案する。
第1段はガウス過程学習アルゴリズムに基づいており、得られた後段はフローマップの改良に基づいて第2段の前に伝達される。
第2段階は、グローバルな動的制約に基づく最適化によるパラメータ推定をさらに改善する。
本稿では、Van der Pol発振器、Lotka-Volterraモデル、Lorenz-63システムなど、複数の数値例でその性能を実証し分析する。
その結果,提案手法はパラメータ推定の精度を,特に希少でノイズの多い観測下で一貫して改善することがわかった。
関連論文リスト
- NeuroMem-FHP: A Likelihood-Free Deep Learning Framework for Parameter Estimation of Fractional Hawkes Process [2.376995292379181]
分数的ホークス過程(FHP)のパラメータを推定する枠組みを提案する。
2つのニューラルアーキテクチャ、すなわちLong Short-Term Memory(LSTM)ネットワークとTransformerを開発し、モデルパラメータを推定する。
実験により、両方のニューラルモデルが古典的最大等化推定法(MLE)よりも著しく優れていることが示された。
論文 参考訳（メタデータ） (2026-07-13T07:19:01Z) - TRSVR: An Adaptive Stochastic Trust-Region Method with Variance Reduction [17.083793956698994]
本稿では,分散領域(SVRG)を組み込んで収束を加速する非拘束的非還元最適化の信頼手法を提案する。
提案アルゴリズムは勾配情報のみに依存し,関数値の評価を必要としない。
論文 参考訳（メタデータ） (2026-01-21T04:41:57Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Unraveling Rodeo Algorithm Through the Zeeman Model [0.0]
任意の初期状態を考慮したハミルトニアン一般に対する固有状態と固有値スペクトルを決定するために、ロデオアルゴリズムを解く。
我々はPennylaneとQiskitのプラットフォームリソースを利用して、ハミルトンが1スピンと2スピンのゼーマンモデルによって記述されるシナリオを分析する。
論文 参考訳（メタデータ） (2024-07-16T01:29:25Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Embed and Emulate: Learning to estimate parameters of dynamical systems
with uncertainty quantification [11.353411236854582]
本稿では,高次元力学系の不確実性を考慮したパラメータ推定のための学習エミュレータについて検討する。
私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。
結合した396次元のマルチスケールロレンツ96系において,本手法は典型的なパラメータ推定法よりも優れていた。
論文 参考訳（メタデータ） (2022-11-03T01:59:20Z) - MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。
機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。
本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文 参考訳（メタデータ） (2022-10-24T15:14:26Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。
そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。
勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
論文 参考訳（メタデータ） (2020-06-04T21:51:21Z) - Online Parameter Estimation for Safety-Critical Systems with Gaussian
Processes [6.122161391301866]
オンラインパラメータ推定のためのガウス過程(GP)に基づくベイズ最適化フレームワークを提案する。
パラメータ空間の応答面上の効率的な探索戦略を用いて、最小限の機能評価で大域最適解を求める。
我々は,パラメータの変化を考慮したシミュレーションにおいて,アクティベートされた平面振子と安全臨界振子について実演する。
論文 参考訳（メタデータ） (2020-02-18T20:38:00Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。