論文の概要: Deep Bayesian Filtering for Nonlinear Structural System Identification: A Tutorial on Structural and Physical Inductive Biases
- arxiv url: http://arxiv.org/abs/2610.36633v2
- Date: Thu, 29 Oct 2026 04:02:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-30 22:39:27.515595
- Title: Deep Bayesian Filtering for Nonlinear Structural System Identification: A Tutorial on Structural and Physical Inductive Biases
- Title（参考訳）: 非線形構造系同定のためのディープベイズフィルタ:構造的および物理的誘導的ビアーゼに関する研究
- Abstract要約: 本稿では,非線形構造系同定のためのディープベイズフィルタの統一的なチュートリアル処理について述べる。
より広範なフレームワークにおける補足的戦略として、補正された変分推論と微分可能なカルマンフィルタリングが導入される。
このチュートリアルは、不確実性の校正、識別可能性、実際の構造に対する検証の課題を概説することで締めくくっている。
- 参考スコア（独自算出の注目度）: 3.8312525015886743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nonlinear structural system identification remains challenging when governing physics is only partially known and measurements are sparse. Deep Bayesian filtering addresses these challenges by combining learnable dynamical representations with probabilistic state-space models, physical inductive biases, and uncertainty-aware inference. This paper presents, for the first time, a unified tutorial treatment of deep Bayesian filtering for nonlinear structural system identification, connecting model formulation, learning, posterior inference, and evaluation. Amortized variational inference and differentiable Kalman filtering are introduced as complementary strategies within this broader framework. The Deep Markov Model (DMM) provides a data-driven reference, while the Physics-guided Deep Markov Model (PgDMM) and Neural Extended Kalman Filter (Neural EKF) serve as illustrative instances through which methodological choices and their implications are examined. Dynamic state estimation and joint state and parameter estimation are demonstrated on a three-dimensional shear-frame benchmark with hysteretic Bouc-Wen connections and sparse acceleration measurements. The comparative analysis yields new observations concerning the relationships among reconstruction accuracy, predictive fidelity, physical interpretability, and estimation robustness. Physical structure improves latent-state interpretability without necessarily ensuring faithful predictive dynamics, while comparable typical reconstruction accuracy can conceal substantial differences in estimation robustness. These findings motivate practical guidelines for model construction, training, and evaluation that distinguish reconstruction, forecasting, state recovery, and parameter identification. The tutorial concludes by outlining challenges in uncertainty calibration, identifiability, and validation on real structures.
- Abstract（参考訳）: 非線形構造系同定は、物理が部分的にしか知られておらず、測定が不十分であるときに依然として困難である。
Deep Bayesian filteringは、学習可能な動的表現と確率的状態空間モデル、物理的帰納的バイアス、不確実性を考慮した推論を組み合わせることでこれらの課題に対処する。
本稿では,非線形構造系同定,モデル定式化,学習,後部推論,評価のためのディープベイズフィルタの統一的なチュートリアルを初めて提示する。
より広範なフレームワークにおける補足的戦略として、補正された変分推論と微分可能なカルマンフィルタリングが導入される。
ディープマルコフモデル (DMM) は、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) が、方法論的選択とその影響を調査するイラストレーターとして機能する一方、データ駆動参照を提供する。
動的状態推定と接合状態およびパラメータ推定は,ヒステリック・ボークウェン接続とスパース加速度測定を併用した3次元せん断フレームベンチマークで実証された。
比較分析により, 再現精度, 予測忠実度, 物理的解釈可能性, 推定ロバスト性の関係性に関する新たな知見が得られた。
物理的構造は、必ずしも忠実な予測力学を保証することなく、潜在状態の解釈可能性を改善する。
これらの知見は、再構築、予測、状態回復、パラメータ識別を区別するモデル構築、トレーニング、評価の実践的ガイドラインを動機付けている。
このチュートリアルは、不確実性の校正、識別可能性、実際の構造に対する検証の課題を概説することで締めくくっている。
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。