Nov, 2023

学习多个动态系统中的联合问题

PDF
TL;DR时间序列聚类是一个研究深入的问题，本文提出了一种变体方法，在给定一组轨迹和一定数量的部分的情况下，共同划分轨迹集并学习每个部分的线性动态系统（LDS）模型，以最小化所有模型的最大误差，给出了全局收敛方法和 EM 启发式算法，并伴随着有希望的计算结果。
clusteringtime serieslinear dynamical systempartitionerror minimization
发现论文，激发创造
  • 学习线性动力系统混合模型

    研究了从未标记的短样本轨迹中学习多个线性动态系统（LDS）混合模型的问题，并开发了二阶段元算法，其执行效果得到了验证。

    Jan, 2022

  • 稀疏线性动力系统及其在多元临床时间序列中的应用

    本研究提出了一种在最大后验 (MAP) 框架下，采用基于一般化梯度下降法的期望最大化 (EM) 算法，对线性动态系统的转移矩阵进行 L1 正则化来减轻隐藏状态数量选择问题的方法，这种 Sparse Linear Dynamical System (SLDS) 增强了对于临床多元时间序列数据的预测性能，相较于普通 LDS 模型。

    Nov, 2013

  • 利用集群系统识别学习个性化模型

    该研究提出了一种从观察多种系统动态下的轨迹中学习线性系统模型的算法，其中系统根据相似性被分为不同的簇，并推导出一种通过估计系统簇身份并估计动态来更新每个簇模型的方法，从而实现更高效和个性化的系统识别过程。

    Apr, 2023

  • 多个未知线性系统的联合学习稳定化

    本研究提出一种基于学习的联合稳定化算法，通过对不稳定状态轨迹数据的处理快速学习所有系统的稳定化策略，从而解决了基于联合多系统自适应控制的快速可靠联合稳定化问题。

    Jan, 2022

  • 从多模态时间序列中重建非线性动力系统

    提出了一种基于动态可解释循环神经网络的通用框架，用于多模态数据的非线性 DS 重建和跨模态关系分析。该算法能够通过利用其他信道来弥补单个数据通道中过度嘈杂或缺失的信息，并演示了该算法如何学习将不同数据域链接到潜在动力学。

    Nov, 2021

  • 用于硬盘驱动器的稳定线性动力系统的聚类技术

    本文介绍了一种在每个簇内设计鲁棒控制器的方式，使得控制器对于每个簇都是最优的，其中采用了稳定线性动力系统的 k-medoids 算法进行硬聚类，同时针对一类特殊的线性时不变系统（如硬盘驱动器系统），采用了高斯混合模型进行聚类。

    Nov, 2023

  • 通过谱滤波学习线性动态系统

    本文介绍了一种有效且实用的在线预测离散线性动态系统的算法，通过过参数化多项式对 LDS 的类别进行替代的方式，以获得损失函数的凸性，从而绕过了非凸最优化问题，并基于一种新颖的滤波技术进行了算法的构建。

    Nov, 2017

  • 循环切换线性动态系统

    通过将数据分解为由简单动态单元解释的片段并研究这些切换的行为，我们展示了一种新的模型类型 —— 递归式切换线性动态系统，以提供更深入的洞察力，并利用近年来的算法进展在这些模型中使用近似推理使贝叶斯推理变得轻松、快速且可扩展。

    Oct, 2016

  • 从观察中学习集体行为

    通过设计合适的损失函数，利用变分逆问题方法，我们提出了一系列学习方法，用于识别动态系统的结构，以了解相互作用代理系统中的新兴行为，能够有效处理高维观测数据，包括一阶和二阶动态系统的观测数据，考虑观测 / 随机噪声、复杂的相互作用规则、缺失的相互作用特征和实际世界观测，在学习方法中固有地提供了降维能力。

    Nov, 2023

  • 稀疏图线性动态系统

    该研究论文提出了一种新的联合图模型框架来填补现有的状态空间模型中静态图模型和基于因果关系的图模型之间的缺失。作者通过引入一个高效的块交替主要化极小化算法实现了该框架，并通过对合成和真实气象变化数据的实验验证了所提出模型和推断算法的有效性。

    Jul, 2023