論文の概要: Deep Bayesian Approaches for Interpretable Nonlinear Structural System Identification
- arxiv url: http://arxiv.org/abs/2610.36633v1
- Date: Tue, 27 Oct 2026 04:38:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.484679
- Title: Deep Bayesian Approaches for Interpretable Nonlinear Structural System Identification
- Title（参考訳）: 解釈可能な非線形構造系同定のためのディープベイズ的アプローチ
- Abstract要約: このチュートリアルは、非線形構造系同定のためのディープベイズフィルタの体系的な紹介を提供する。
学習力学、物理的帰納バイアス、後部推論の相互作用に焦点を当てている。
モデル構築、トレーニング、評価、デプロイメントの実践的ガイドラインが提供されている。
- 参考スコア（独自算出の注目度）: 3.8312525015886743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: System identification, namely the inference of mathematical representations of dynamical systems from measured data, is fundamental to engineering diagnostics, prognostics, and decision-making. Bayesian filtering offers a principled framework for probabilistic state estimation but traditionally relies on prescribed transition and observation models. Recent advances in deep Bayesian filtering address this limitation by embedding learnable representations within probabilistic state-space formulations, enabling data-driven identification of unknown dynamics while retaining physical structure and uncertainty-aware inference. This tutorial provides a systematic introduction to deep Bayesian filtering for nonlinear structural system identification, focusing on the interplay between learned dynamics, physical inductive biases, and posterior inference. The Deep Markov Model serves as a data-driven reference, while the Physics-guided Deep Markov Model (PgDMM) and Neural Extended Kalman Filter (Neural EKF) illustrate complementary approaches based on amortized variational inference and differentiable Kalman filtering, respectively. Their capabilities are examined through dynamic state estimation and joint dynamic state and parameter estimation on a three-dimensional shear-frame benchmark with hysteretic Bouc-Wen connections and sparse acceleration measurements. The results highlight important distinctions between measurement-conditioned reconstruction and open-loop forecasting, demonstrate how physical structure can improve latent-state interpretability without necessarily ensuring predictive fidelity, and reveal differences in the robustness of response and parameter estimation. Practical guidelines for model construction, training, evaluation, and deployment are provided, together with an outlook on remaining challenges in uncertainty calibration, identifiability, and real-world validation.
- Abstract（参考訳）: システム識別は、測定データから力学系の数学的表現を推論することであり、工学的診断、予後学、意思決定の基礎である。
ベイズフィルタリングは確率的状態推定の原則的な枠組みを提供するが、伝統的には所定の遷移と観測モデルに依存している。
近年のディープベイズフィルタの進歩は、学習可能な表現を確率的状態空間の定式化に埋め込むことで、物理構造と不確実性を考慮した推論を維持しながら未知の力学をデータ駆動で識別することを可能にしている。
このチュートリアルは、非線形構造系同定のためのディープベイズフィルタの体系的な紹介を提供し、学習力学、物理的帰納バイアス、後部推論の相互作用に焦点を当てている。
ディープマルコフモデル(Deep Markov Model)はデータ駆動参照として機能し、物理誘導ディープマルコフモデル(PgDMM)とニューラル拡張カルマンフィルタ(Neural Extended Kalman Filter,Neural EKF)は、それぞれ補正された変分推論と微分可能なカルマンフィルタに基づく相補的なアプローチを示す。
それらの能力は, ヒステリック・ボーク=ウェン接続とスパース加速度測定による3次元せん断フレームベンチマークにおいて, 動的状態推定と関節動的状態およびパラメータ推定によって検証される。
その結果、測定条件付き再構成とオープンループ予測の区別を重要視し、予測精度を必ずしも確保することなく物理的構造が潜在状態の解釈可能性を改善することを示し、応答の堅牢性とパラメータ推定の相違を明らかにした。
モデル構築、トレーニング、評価、展開の実践的ガイドラインが提供され、不確実性校正、識別可能性、実世界の検証における残りの課題を考察する。
関連論文リスト
- On the Structural Limits of Machine Learning Decision Systems: An Information-Theoretic, Interaction-Based, and Stochastic-Dynamical Perspective [0.0]
本研究では、情報理論と相互作用に基づく視点から、データ駆動型意思決定システムの本質的な限界について検討する。
ファノ型境界による分類における最小到達誤差とクラメロ・ラオ不等式によるパラメトリック推定における精度限界を解析した。
論文 参考訳（メタデータ） (2026-08-13T17:34:41Z) - Learning to Distributedly Estimate under Partially Known Dynamics: A Covariance-Agnostic Neural Kalman Consensus Filter [31.377504700683374]
本稿では,潜時状態推定を行うためにエージェントが協調して情報を交換する,新しいオンライン分散センシングフレームワークを提案する。
提案した推定器は、利用可能な部分的ドメイン知識とディープニューラルネットワークの表現能力を組み合わせたものである。
線形、カオス(z)および実用的なワイヤレストラッキング環境の実験により、提案したCoLoren-Agnostic Neural Kalman Consensus Filter (CA-NKCF)が従来の分散Kalmanおよびパーティクルフィルタより優れていることが明らかになった。
論文 参考訳（メタデータ） (2026-06-26T08:07:31Z) - K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Online Generalised Predictive Coding [1.1534313664323634]
一般化フィルタリングとは、潜在状態を共同で推論し、未知のモデルパラメータを学習し、不確実性を推定するデータ同化スキームを指す。
このフレームワークは、エンジニアリングにおける変分Kalman-Bucyフィルタリングなど、異なる名前の分野にまたがって現れる。
論文 参考訳（メタデータ） (2026-05-04T14:55:37Z) - PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty [0.21665864340363086]
デジタルツインは、エンジニアリングされたシステムの監視と制御における診断および予後タスクのための強力なパラダイムを提供する。
デジタル双生児は、未知の非線形力学から生じるモデル形式の不確実性や、スパースセンシングによって挑戦される。
この研究は、物理インフォームドグラフベースのベイズ状態推定アプローチである物理誘導グラフニューラルネットワーク(PiGGO)フレームワークを紹介する。
論文 参考訳（メタデータ） (2026-04-29T12:22:08Z) - KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。
固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文 参考訳（メタデータ） (2026-02-15T06:32:23Z) - Spatiodynamic inference using vision-based generative modelling [0.5461938536945723]
我々は,視覚変換器駆動の変分表現を用いたシミュレーションに基づく推論フレームワークを開発した。
中心となる考え方は、パラメータ空間の体系的な探索を通じて、潜在力学の微細で構造化されたメッシュを構築することである。
生成的モデリングと機械的原理を統合することで、我々のアプローチは統合された推論フレームワークを提供する。
論文 参考訳（メタデータ） (2025-07-29T22:10:50Z) - 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) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z)
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。