論文の概要: RobustLDS: Learning linear dynamical systems under adversarial corruptions
- arxiv url: http://arxiv.org/abs/2610.11906v1
- Date: Thu, 08 Oct 2026 13:08:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.037168
- Title: RobustLDS: Learning linear dynamical systems under adversarial corruptions
- Title（参考訳）: RobustLDS: 敵対的腐敗下での線形力学系学習
- Abstract要約: 本研究では, 対向性外乱により, 対向性外乱によってT$の観測値のごく一部が汚染される状況について検討する。
我々は,最小化アルゴリズムとともに,最小二乗の緩和に基づく異なる推定器を提案する。
- 参考スコア（独自算出の注目度）: 4.884336328409872
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of learning linear dynamical systems under adversarial contamination from a single trajectory of length $T$. While identification of linear dynamical systems itself is well-studied, the problem of robust system identification under adversarial contamination is relatively less explored. In this work, we study the setting where a fraction of the $T$ observations are contaminated by adversarial outliers. We propose different estimators based on relaxations of least-trimmed squares along with an alternating minimization algorithm. Furthermore, we also propose two estimators which exploit the group-sparsity (through penalization/hard-constraints) of the outliers. For the estimator with group-sparse penalty, we derive non-asymptotic error bounds which establish its robustness to outliers. We also show empirically that the proposed estimators work well in practice.
- Abstract（参考訳）: 逆汚染下での線形力学系学習の問題点を,長さ$T$の単一軌跡から考察する。
線形力学系自体の同定はよく研究されているが, 敵性汚染下での堅牢なシステム同定の問題は比較的少ない。
本研究では, 対向性外乱により, 対向性外乱によってT$の観測のごく一部が汚染される状況について検討する。
我々は,最小化アルゴリズムとともに,最小二乗の緩和に基づく異なる推定器を提案する。
さらに, オフラヤの群分離性(ペナライズ/ハード制約)を生かした2つの推定器を提案する。
グループスパースペナルティを持つ推定器に対しては、非漸近誤差境界を導出し、アウトリージに対するロバスト性を確立する。
また,提案した推定器の実用性についても実証的に検証した。
関連論文リスト
- Everywhere Learning: Artificial Intelligence with Pointwise Constraints [74.0575431252406]
あらゆる場所での学習は、AI(Artificial Intelligence)システムがデータ分布上の確率1による損失制約を満たすために訓練される新しいパラダイムである。
我々は、経験的および統計的学習問題の解間の近接性を確立する一般化解析の基盤となる近似双対理論を開発する。
論文 参考訳（メタデータ） (2026-06-01T02:02:22Z) - Tight Convergence Rates for Online Distributed Linear Estimation with Adversarial Measurements [66.94250413799232]
分散パラメータ-サーバ-ワーカー設定における乱数ベクトル$X$の推定について検討する。
主な課題は、敵の計測と非同期である。
その結果, 分散線形推定におけるロバスト性, 識別性, 統計的効率の統一的有限時間評価が得られた。
論文 参考訳（メタデータ） (2026-04-07T11:45:55Z) - Robust low-rank estimation with multiple binary responses using pairwise AUC loss [0.0]
複数のバイナリ応答は、多くの現代のデータ分析問題に現れる。
低ランクモデルはタスク間の遅延依存をエンコードする自然な方法を提供する。
既存のバイナリデータの方法は概ね可能性ベースであり、ポイントワイズ分類に重点を置いている。
論文 参考訳（メタデータ） (2026-01-13T15:00:10Z) - Learning from Similarity-Confidence and Confidence-Difference [0.07646713951724009]
複数の視点から補完的な弱監督信号を利用する新しい弱監視学習(WSL)フレームワークを提案する。
具体的には,2種類の弱いラベルを統合する手法であるSconfConfDiff Classificationを紹介する。
両推定器が推定誤差境界に対して最適収束率を達成することを証明した。
論文 参考訳（メタデータ） (2025-08-07T07:42:59Z) - Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。
我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
論文 参考訳（メタデータ） (2025-06-03T02:56:26Z) - Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Sparse Mean Estimation in Adversarial Settings via Incremental Learning [20.522038784234947]
本稿では,重み付き分布と対向汚職の存在下で,スパース平均推定を学習するためのスケーラブルな手法を提案する。
提案手法は,情報理論の下界に適合する最適統計率を実現する。
より広範に、我々の研究は、重み付き分布と敵対的腐敗の存在下で、過渡的手法の漸進的な学習現象を初めて明らかにした。
論文 参考訳（メタデータ） (2023-05-24T16:02:28Z) - Unbiased Risk Estimators Can Mislead: A Case Study of Learning with
Complementary Labels [92.98756432746482]
我々は,補完ラベルを用いた学習という,弱教師付き問題を研究する。
勾配推定の品質はリスク最小化においてより重要であることを示す。
本稿では,ゼロバイアスと分散の低減を両立させる新しい補助的相補的損失(SCL)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-05T04:19:37Z) - Sparse Methods for Automatic Relevance Determination [0.0]
まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。
次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
論文 参考訳（メタデータ） (2020-05-18T14:08:49Z)
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。