Στατιστική μάθηση για αναγνώριση συστημάτων, εκτίμηση, και έλεγχο

Περίληψη

Παρά την πρόσφατη ευρεία επιτυχία της μηχανικής μάθησης, εξακολουθούμε να μην κατανοούμε πλήρως τους θεμελιώδεις περιορισμούς της. Προχωρώντας προς το μέλλον, είναι κρίσιμο να κατανοήσουμε καλύτερα την πολυπλοκότητα της μάθησης, ιδιαίτερα σε εφαρμογές κρίσιμης λήψης αποφάσεων, όπου μια λανθασμένη απόφαση μπορεί να οδηγήσει σε καταστροφικές συνέπειες. Σε αυτή τη διατριβή, εστιάζουμε στην στατιστική πολυπλοκότητα της μάθησης αγνώστων γραμμικών δυναμικών συστημάτων, με έμφαση στις εργασίες της αναγνώρισης συστημάτων, της πρόβλεψης και του ελέγχου. Μας ενδιαφέρει η πολυπλοκότητα δειγματοληψίας, δηλαδή ο ελάχιστος αριθμός δειγμάτων που απαιτείται για να επιτευχθεί ικανοποιητική απόδοση μάθησης. Στόχος μας είναι να παρέχουμε εγγυήσεις μάθησης με πεπερασμένο αριθμό δειγμάτων, επισημαίνοντας ρητά πώς ο στόχος μάθησης εξαρτάται από τον αριθμό των δειγμάτων. Ένα θεμελιώδες ερώτημα που προσπαθούμε να απαντήσουμε είναι το πώς οι συστημικές θεωρητικές ιδιότητες της υποκείμενης διαδικασίας μπορούν ν ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Despite the recent widespread success of machine learning, we still do not fully understand its fundamental limitations. Going forward, it is crucial to better understand learning complexity, especially in critical decision making applications, where a wrong decision can lead to catastrophic consequences. In this thesis, we focus on the statistical complexity of learning unknown linear dynamical systems, with focus on the tasks of system identification, prediction, and control. We are interested in sample complexity, i.e. the minimum number of samples required to achieve satisfactory learning performance. Our goal is to provide finite-sample learning guarantees, explicitly highlighting how the learning objective depends on the number of samples. A fundamental question we are trying to answer is how system theoretic properties of the underlying process can affect sample complexity. Using recent advances in statistical learning, high-dimensional statistics, and control theoretic tools, w ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/58751
ND
58751
Εναλλακτικός τίτλος
Statistical learning for system identification, estimation, and control
Συγγραφέας
Τσιάμης, Αναστάσιος (Πατρώνυμο: Ελευθέριος)
Ημερομηνία
2022
Ίδρυμα
University of Pennsylvania
Εξεταστική επιτροπή
Pappas George J.
Morari Manfred
Matni Nikolai
Lygeros John
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Αυτοματισμοί και Συστήματα ελέγχου
Λέξεις-κλειδιά
Αυτόματος έλεγχος; Τεχνητή νοημοσύνη; Μηχανική μάθηση; Στατιστική μάθηση; Θεωρία εκτίμησης; Αναγνώριση συστημάτων
Χώρα
Η.Π.Α.
Γλώσσα
Αγγλικά
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.