Meta-SysId：一种用于同时辨识与预测的元学习方法
机器学习
2022-06-03 v1
摘要
在本文中，我们提出 Meta-SysId，一种元学习方法，用于对具有由共同但未知规律支配且通过上下文相互区分行为的一组系统进行建模。受经典建模与辨识方法的启发，Meta-SysId 通过学习共享参数来表示共同规律，并依赖在线优化来计算系统特定上下文。与基于优化的元学习方法相比，类参数与上下文变量之间的分离降低了计算负担，同时允许批量计算与简单的训练方案。我们在多项式回归、时间序列预测、基于模型的控制以及真实世界交通预测领域测试了 Meta-SysId，经验性地发现其优于或与元学习基线具有竞争力。
引用
@article{arxiv.2206.00694,
title = {Meta-SysId: A Meta-Learning Approach for Simultaneous Identification and Prediction},
author = {Junyoung Park and Federico Berto and Arec Jamgochian and Mykel J. Kochenderfer and Jinkyoo Park},
journal= {arXiv preprint arXiv:2206.00694},
year = {2022}
}
备注
9 pages, 8 figures