論文の概要: On Stochastic Continuous-Time Linear System Identification for Adaptive Stabilization
- arxiv url: http://arxiv.org/abs/2611.02340v1
- Date: Mon, 02 Nov 2026 00:38:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:24:43.424212
- Title: On Stochastic Continuous-Time Linear System Identification for Adaptive Stabilization
- Title(参考訳): 適応安定化のための確率的連続時間線形システム同定について
- Abstract要約: 未知の連続時間線形系を安定化させる学習は、制御理論と強化学習の中心的な問題である。
本稿では,観測軌道から安定化ゲインを学習する手法を提案する。
故障確率は, データの量, 寸法, 騒音強度, 励起, 可制御性に依存するかを検討する。
- 参考スコア(独自算出の注目度): 1.3750624267664158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning to stabilize an unknown continuous-time stochastic linear system is a central problem in control theory and reinforcement learning. This paper numerically studies data-driven identification of such systems with possibly unstable dynamics for the purpose of stabilization. We present a method that learns a stabilizing gain from observed trajectories, and examine how the failure probability, namely the probability that the learned gain does not stabilize the system, depends on the amount of data, dimension, noise intensity, excitation, and controllability. Numerical experiments on an unstable batch-reactor benchmark show that the squared identification error decays inversely with the aggregate observation time, that is, the combined length of all trajectories, while the failure probability decays exponentially in the same quantity. Hence, despite instability, a single long trajectory can achieve similar stabilization performance to that of many short trajectories of the same total length. We also observe \emph{signal saturation}: stronger excitation improves stabilization only logarithmically with the excitation strength. Finally, we show experimentally that accurate identification of the full dynamics is \emph{not} necessary for successful stabilization.
- Abstract(参考訳): 未知の連続時間確率線形系を安定化させる学習は、制御理論と強化学習の中心的な問題である。
本稿では、安定化を目的とした不安定な力学を持つシステムのデータ駆動同定を数値的に研究する。
観測軌道から安定化利得を学習し、学習した利得がシステムを安定化しない確率が、データ量、寸法、騒音強度、励磁性、制御性に依存するかを検討する。
不安定なバッチリアクターベンチマークの数値実験により、二乗同定誤差は集合観測時間、すなわち全ての軌道の組合せの長さと逆向きに崩壊し、故障確率は同じ量で指数関数的に崩壊することを示した。
したがって、不安定性にも拘わらず、1つの長い軌道は、同じ全長の多くの短い軌道の軌道と同様の安定化性能を達成することができる。
強い励起は、励起強度とともに対数的にのみ安定化を改善する。
最後に、安定化を成功させるためには、フルダイナミックスの正確な同定が \emph{not} であることを示す。
関連論文リスト
- The Road Taken: The Role of Optimizers at the Edge of Stability [53.81268610971847]
安定性のエッジ(Edge of stability)とは、古典的な降下が不安定であると予測されるしきい値より上のヘッセンの固有値が安定である深層学習における現象を指す。
それまでの研究は、最大ヘッセン固有値と学習率に関して安定性の端を定式化していた。
我々は、勾配降下を含む多くの一階法が、これらの理論によって予測される安定性を21.1ドルという大きな因子で著しく破っていることを観察した。
論文 参考訳(メタデータ) (2026-08-19T01:03:34Z) - Stabilizer entropy is trustworthy for mixed states [0.9481925300137773]
混合状態における非安定化剤の定量化は、いかなる厳密なモノトンも超指数時間を必要とするため、確実に難解である。
平坦な混合安定化器状態に作用する非適応的クリフォードチャネルに制限された場合, 線形安定化器エントロピーは, 圧倒的な確率で適切な非安定化器性モノトンとして機能する。
論文 参考訳(メタデータ) (2026-06-28T15:10:16Z) - Zeroth-Order Optimization at the Edge of Stability [59.54782674222443]
ゼロ階数(ZO)系の(平均二乗の)線形安定性を捉える明示的なステップサイズ条件を提供する。
以上の結果から,ZO法に特有の暗黙的な正則化効果が示され,大きなステップサイズが主にヘッセントレースを正則化することがわかった。
論文 参考訳(メタデータ) (2026-04-16T06:23:18Z) - Stability as a Liability:Systematic Breakdown of Linguistic Structure in LLMs [5.96875296117642]
安定なパラメータトラジェクトリが定常解を導出し、経験的分布へのKLの分岐を最小化することを示す。
制御されたフィードバックベースのトレーニングフレームワークを用いて,この効果を実証的に検証する。
これは、最適化の安定性と生成的表現性は本質的に一致していないことを示し、安定性のみが生成的品質の指標として不十分であることを示している。
論文 参考訳(メタデータ) (2026-01-26T15:34:50Z) - On the Effect of Instability on Learning Continuous-Time Linear Control Systems [0.0]
有限長状態軌跡に基づく連続時間力学におけるシステム同定の問題について検討する。
適切なランダム化制御入力を用いて不安定なオープンループ行列を推定する手法を提案する。
我々は,推定誤差が軌道長,励起率,信号対雑音比で減衰することを示す理論的性能保証を確立する。
論文 参考訳(メタデータ) (2024-09-17T16:24:51Z) - Bayesian Algorithms Learn to Stabilize Unknown Continuous-Time Systems [0.0]
線形力学系は、不確実な力学を持つ植物の学習に基づく制御のための標準モデルである。
この目的のための信頼性の高い安定化手順は、不安定なデータから有効に学習し、有限時間でシステムを安定化させることができない。
本研究では,未知の連続時間線形系を安定化する新しい学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-12-30T15:31:35Z) - Stability and Identification of Random Asynchronous Linear
Time-Invariant Systems [81.02274958043883]
線形力学系の安定性に対するランダム化と非同期化の付加的な利点を示す。
未知のランダム化LTIシステムに対して,基礎となる力学を復元するための系統的同定手法を提案する。
論文 参考訳(メタデータ) (2020-12-08T02:00:04Z) - Training Generative Adversarial Networks by Solving Ordinary
Differential Equations [54.23691425062034]
GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。
この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。
本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
論文 参考訳(メタデータ) (2020-10-28T15:23:49Z) - 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) - Fine-Grained Analysis of Stability and Generalization for Stochastic
Gradient Descent [55.85456985750134]
我々は,SGDの反復的リスクによって制御される新しい境界を開発する,平均モデル安定性と呼ばれる新しい安定性尺度を導入する。
これにより、最良のモデルの振舞いによって一般化境界が得られ、低雑音環境における最初の既知の高速境界が導かれる。
我々の知る限りでは、このことはSGDの微分不能な損失関数でさえも初めて知られている安定性と一般化を与える。
論文 参考訳(メタデータ) (2020-06-15T06:30:19Z)
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。