Publication

Regularization for distributionally robust state estimation and prediction

Jean-Sébastien Hubert Brouillon
2023
Datasets

Résumé

Simulation script for the paper "Regularization for distributionally robust state estimation and prediction". Run tests/test_cdc.py to reproduce results. Extended versions can be found at https://github.com/DecodEPFL/.

Source officielle

https://infoscience.epfl.ch/entities/publication/f12e3970-5b08-47f0-9805-b1e265c91a62

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Jean-Sébastien Hubert Brouillon
2023
Datasets

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/f12e3970-5b08-47f0-9805-b1e265c91a62

À propos de ce résultat

Concepts associés (7)

Robustesse (statistiques)

En statistiques, la robustesse d'un estimateur est sa capacité à ne pas être perturbé par une modification dans une petite partie des données ou dans les paramètres du modèle choisi pour l'estimation. Ricardo A. Maronna, R. Douglas Martin et Victor J. Yohai; Robust Statistics - Theory and Methods, Wiley Series in Probability and Statistics (2006). Dagnelie P.; Statistique théorique et appliquée. Tome 2 : Inférence statistique à une et à deux dimensions, Paris et Bruxelles (2006), De Boeck et Larcier.

Maximum de vraisemblance

En statistique, l'estimateur du maximum de vraisemblance est un estimateur statistique utilisé pour inférer les paramètres de la loi de probabilité d'un échantillon donné en recherchant les valeurs des paramètres maximisant la fonction de vraisemblance. Cette méthode a été développée par le statisticien Ronald Aylmer Fisher en 1922. Soient neuf tirages aléatoires x1, ..., x9 suivant une même loi ; les valeurs tirées sont représentées sur les diagrammes ci-dessous par des traits verticaux pointillés.

Bayes estimator

In estimation theory and decision theory, a Bayes estimator or a Bayes action is an estimator or decision rule that minimizes the posterior expected value of a loss function (i.e., the posterior expected loss). Equivalently, it maximizes the posterior expectation of a utility function. An alternative way of formulating an estimator within Bayesian statistics is maximum a posteriori estimation. Suppose an unknown parameter is known to have a prior distribution .

Afficher plus

Publications associées (12)

Generalized Bradley-Terry Models for Score Estimation from Paired Comparisons

Le Nguyen Hoang, Julien René Pierre Fageot, Sadegh Farhadkhani, Oscar Jean Olivier Villemaud

Many applications, e.g. in content recommendation, sports, or recruitment, leverage the comparisons of alternatives to score those alternatives. The classical Bradley-Terry model and its variants have been widely used to do so. The historical model conside ...

AAAI Press2024

Regularization for distributionally robust state estimation and prediction

Jean-Sébastien Hubert Brouillon, Giancarlo Ferrari Trecate, Florian Dörfler

The increasing availability of sensing techniques provides a great opportunity for engineers to design state estimation methods, which are optimal for the system under observation and the observed noise patterns. However, these patterns often do not fulfil ...

2023

Data-Driven Unknown-Input Observers and State Estimation

Giancarlo Ferrari Trecate, Mustafa Sahin Turan

Unknown-input observers (UIOs) allow for estimation of the states of an LTI system without knowledge of all inputs. In this letter, we provide a novel data-driven UIO based on behavioral system theory and the result known as Fundamental Lemma proposed by J ...

2022

Afficher plus