Meta-Learning for Physically-Constrained Neural System Identification

要約

ブラックボックスシステム識別のためのニューラル状態空間モデル(NSSM)の迅速な適応のための勾配ベースのメタ学習フレームワークを紹介します。
必要に応じて、NSSM の精度を向上させるためにドメイン固有の物理的制約も組み込みます。
私たちのアプローチの主な利点は、単一のターゲット システムからのデータのみに依存するのではなく、フレームワークがさまざまなソース システムのセットからのデータを利用し、限られたターゲット データからの学習を可能にし、オンライン トレーニングの反復回数を少なくできることです。
ベンチマーク例を通じて、私たちのアプローチの可能性を実証し、完全な微調整ではなくサブネットワークの微調整の効果を研究し、物理的な問題に対するアプローチの実践的な応用と一般化可能性を説明するために現実世界のケーススタディを報告します。
制約。
具体的には、メタ学習モデルにより、屋内位置特定およびエネルギー システムにおけるモデルベースの状態推定における下流側のパフォーマンスが向上することを示します。

要約(オリジナル)

We present a gradient-based meta-learning framework for rapid adaptation of neural state-space models (NSSMs) for black-box system identification. When applicable, we also incorporate domain-specific physical constraints to improve the accuracy of the NSSM. The major benefit of our approach is that instead of relying solely on data from a single target system, our framework utilizes data from a diverse set of source systems, enabling learning from limited target data, as well as with few online training iterations. Through benchmark examples, we demonstrate the potential of our approach, study the effect of fine-tuning subnetworks rather than full fine-tuning, and report real-world case studies to illustrate the practical application and generalizability of the approach to practical problems with physical-constraints. Specifically, we show that the meta-learned models result in improved downstream performance in model-based state estimation in indoor localization and energy systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google