論文の概要: Identification of Chimera using Machine Learning

• arxiv url: http://arxiv.org/abs/2001.08985v2
• Date: Mon, 18 May 2020 14:16:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 00:03:40.764114
• Title: Identification of Chimera using Machine Learning
• Title（参考訳）: 機械学習によるキメラの同定
• Authors: M.A. Ganaie, Saptarshi Ghosh, Naveen Mendola, M Tanveer and Sarika Jalan
• Abstract要約: キメラ状態は、同一結合力学単位におけるコヒーレント相と非コヒーレント相の共存を指す。 本稿では,異なる動的位相を特徴付けるために,機械学習技術を用いた非常に独特なアプローチを提案する。 種々のモデルを用いて生成された空間プロファイルからキメラ状態を同定する。
• 参考スコア（独自算出の注目度）: 2.537197709627712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chimera state refers to coexistence of coherent and non-coherent phases in identically coupled dynamical units found in various complex dynamical systems. Identification of Chimera, on one hand is essential due to its applicability in various areas including neuroscience, and on other hand is challenging due to its widely varied appearance in different systems and the peculiar nature of its profile. Therefore, a simple yet universal method for its identification remains an open problem. Here, we present a very distinctive approach using machine learning techniques to characterize different dynamical phases and identify the chimera state from given spatial profiles generated using various different models. The experimental results show that the performance of the classification algorithms varies for different dynamical models. The machine learning algorithms, namely random forest, oblique random forest based on tikhonov, parallel-axis split and null space regularization achieved more than $96\% $ accuracy for the Kuramoto model. For the logistic-maps, random forest and tikhonov regularization based oblique random forest showed more than $90\%$ accuracy, and for the H\'enon-Map model, random forest, null-space and axis-parallel split regularization based oblique random forest achieved more than $80\%$ accuracy. The oblique random forest with null space regularization achieved consistent performance (more than $83\%$ accuracy) across different dynamical models while the auto-encoder based random vector functional link neural network showed relatively lower performance. This work provides a direction for employing machine learning techniques to identify dynamical patterns arising in coupled non-linear units on large-scale, and for characterizing complex spatio-temporal patterns in real-world systems for various applications.
• Abstract（参考訳）: キメラ状態(chimera state)は、様々な複素力学系に見られる同一結合力学単位におけるコヒーレント相と非コヒーレント相の共存を指す。 キメラの同定は神経科学を含む様々な分野に適用可能であるため必要不可欠であり、また、異なるシステムで多様な外観と特徴的特徴から困難である。 したがって、その識別のための単純かつ普遍的な手法は未解決の問題である。 本稿では,異なる動的位相を特徴付ける機械学習手法を用いて,様々なモデルを用いて生成された空間プロファイルからキメラ状態を特定する。 実験結果から, 分類アルゴリズムの性能は動的モデルによって異なることがわかった。 機械学習アルゴリズム(ランダムフォレスト, 斜めランダムフォレスト, チクホノフ, 平行軸分割, ヌル空間正規化)は, 倉本モデルに対して96%以上精度を達成した。 ロジスティックマップでは,ランダム林とチクホノフ正規化に基づく斜めランダム林の精度は90\%以上であり,H'enon-Mapモデルではランダム林,ヌル空間,軸平行分割正規化に基づく斜めランダム林の精度は80\%以上であった。 ヌル空間正規化を伴う斜めランダムフォレストは、異なる力学モデルで一貫した性能(8,3\%$精度以上)を達成し、オートエンコーダベースのランダムベクトル関数型ニューラルネットワークは比較的低い性能を示した。 本研究は,複合非線形単位で発生する動的パターンを大規模に識別するために機械学習手法を採用するための方向性と,実世界の複雑な時空間的パターンを様々な応用のために特徴付けるためのものである。

関連論文リスト

• Uncertainty Quantification of Graph Convolution Neural Network Models of Evolving Processes [0.8749675983608172]
  複雑なニューラルネットワークモデルに対するモンテカルロ法に代えて、スタイン変分推論が実現可能であることを示す。 我々の例では、スタイン変分干渉はハミルトン・モンテカルロと比較して時間を通して同様の不確実性プロファイルを与えた。
  論文  参考訳（メタデータ） (2024-02-17T03:19:23Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Learning effective dynamics from data-driven stochastic systems [2.4578723416255754]
  この研究は、低速力学系に対する効果的な力学の研究に費やされている。 遅い多様体を学習するために,Auto-SDEと呼ばれるニューラルネットワークを含む新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-09T09:56:58Z)
• Discovering dynamical features of Hodgkin-Huxley-type model of physiological neuron using artificial neural network [0.0]
  2つの高速かつ1つの遅い変数を持つHodgkin-Huxley型システムを考える。 これら2つのシステムでは、そのダイナミクスを再現できる人工ニューラルネットワークを作成します。 ビスタブルモデルでは、トレーニング中に見ずに、あるソリューションのブランチでのみトレーニングされたネットワークが、別のネットワークを回復することを意味する。
  論文  参考訳（メタデータ） (2022-03-26T19:04:19Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Detecting chaos in lineage-trees: A deep learning approach [1.536989504296526]
  本稿では,合成軌道上でのディープラーニングモデルの訓練に基づいて,データから最大のリアプノフ指数を推定する新しい手法について述べる。 本手法は, 樹状データ, 生物環境におけるユビキタストポロジ, 特に細胞や生物の系統の動態を解析できるという点で特有である。
  論文  参考訳（メタデータ） (2021-06-08T11:11:52Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。