論文の概要: Neural Closed-Loop Identification of Nonlinear Systems with Stability and Generalization Guarantees

• arxiv url: http://arxiv.org/abs/2610.27970v1
• Date: Tue, 20 Oct 2026 10:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.759567
• Title: Neural Closed-Loop Identification of Nonlinear Systems with Stability and Generalization Guarantees
• Title（参考訳）: 安定性と一般化保証を有する非線形系のニューラル閉ループ同定
• Abstract要約: 内部コントローラ識別(ICI)は、潜在的に不安定なシステムを特定するための計算処理可能なフレームワークである。 ICIは、未確認のベースラインが分岐し、弱い励起とフィードバック関連ノイズの下で直接メソッドを上回る、オープンループ不安定な植物を特定する。 実験により、ICIは未確認の基準線が分岐する開ループ不安定な植物を同定し、弱い励起とフィードバック関連ノイズの下で直接手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.8749675983608171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks are expressive models of nonlinear dynamics, but identifying such systems from closed-loop data raises two difficulties: the feedback loop correlates inputs with measurement noise, biasing standard open-loop estimators, and the identified model must be stabilized by the data-collection controller, so that its closed-loop behavior matches the true plant's. We derive a complete parameterization of all nonlinear systems stabilized by a given controller, generalizing the classical dual-Youla parameterization to the nonlinear setting. Building on this characterization, we propose Internal Controller Identification (ICI), a computationally tractable framework for identifying potentially unstable systems while ensuring closed-loop stability by construction; in the linear case, our indirect method reduces to an open-loop identification problem, for which standard consistency results apply. The framework accommodates contextual information, letting a single certified model identify a family of systems, and supports a PAC-Bayesian training objective that, when data are scarce and prior knowledge is available, bounds the identified operator's expected prediction loss. Experiments show that ICI identifies open-loop unstable plants where uncertified baselines diverge, outperforms direct methods under weak excitation and feedback-correlated noise, generalizes zero-shot to environments unseen during training, and, with limited data, avoids the overfitting of empirical risk minimization while providing a non-vacuous generalization bound.
• Abstract（参考訳）: ニューラルネットワークは非線形力学の表現的モデルであるが、そのようなシステムをクローズドループデータから識別することは、2つの困難を生じさせる: フィードバックループは測定ノイズと入力を相関させ、標準のオープンループ推定器を偏見付け、同定されたモデルはデータ収集コントローラによって安定化されなければならない。 与えられた制御器によって安定化された全ての非線形系の完全なパラメータ化を導出し、古典的双対ユーラパラメータ化を非線形設定に一般化する。 この特徴に基づいて,構成による閉ループ安定性を確保しつつ,潜在的に不安定なシステムを特定するための計算処理可能なフレームワークである内部コントローラ同定(ICI)を提案する。 このフレームワークはコンテキスト情報に対応し、単一の認証されたモデルにシステムのファミリーを識別させ、PAC-ベイジアントレーニングの目標をサポートする。 実験により、ICIは、未確認のベースラインが分岐し、弱い励起とフィードバック関連ノイズの下で直接メソッドを上回り、訓練中に見えない環境にゼロショットを一般化し、限られたデータで、非空の一般化バウンダリを提供しながら経験的リスク最小化の過度な適用を避けることができることを示した。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Learning Nonlinear Factor Models with Unknown Monotone Links from Incomplete and Noisy Data [5.256805330951789]
  我々は,未知のリンク関数によって観測応答が低ランク因子に依存する非線形因子モデルをブロックする。 リンク関数は単調な空間回復にあり、識別可能性を維持しながら柔軟性のあるあいまいさを可能にすると仮定される。
  論文  参考訳（メタデータ） (2026-05-25T18:57:03Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• End-to-end guarantees for indirect data-driven control of bilinear systems with finite stochastic data [0.43748379918040853]
  本稿では,安定性が保証された双線形システムの間接的データ駆動制御のためのエンドツーエンドアルゴリズムを提案する。 広範にわたる数値的な研究により、制御器設計と導出された識別誤差境界との相互作用を示す。
  論文  参考訳（メタデータ） (2024-09-26T16:19:49Z)
• A least-square method for non-asymptotic identification in linear switching control [17.938732931331064]
  基礎となる部分観測線形力学系は、既知の候補モデルの有限集合内にあることが知られている。 線形最小二乗法の非漸近解析における最近の進歩を活用して、この問題の有限時間サンプル複雑性を特徴づける。 基礎となるシステムの未知のパラメータを識別するデータ駆動型スイッチング戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-11T20:55:38Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Learning Stabilizing Controllers for Unstable Linear Quadratic Regulators from a Single Trajectory [85.29718245299341]
  線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。 楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。 高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
  論文  参考訳（メタデータ） (2020-06-19T08:58:57Z)

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。