論文の概要: Using Machine Learning to predict extreme events in the H\'enon map
- arxiv url: http://arxiv.org/abs/2002.10268v1
- Date: Thu, 20 Feb 2020 15:56:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 07:35:20.732281
- Title: Using Machine Learning to predict extreme events in the H\'enon map
- Title(参考訳): 機械学習によるH\'enonマップの極端な事象の予測
- Authors: Martin Lellep, Jonathan Prexl, Moritz Linkmann, and Bruno Eckhardt
- Abstract要約: 古典的パラメータにおける2次元H'enonマップにおける極端な事象の予測のための1つのアルゴリズムの性能を解析する。
力学の内在的なカオス特性とMLパラメータの類似関係は、他の系でも観測可能である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning (ML) inspired algorithms provide a flexible set of tools for
analyzing and forecasting chaotic dynamical systems. We here analyze the
performance of one algorithm for the prediction of extreme events in the
two-dimensional H\'enon map at the classical parameters. The task is to
determine whether a trajectory will exceed a threshold after a set number of
time steps into the future. This task has a geometric interpretation within the
dynamics of the H\'enon map, which we use to gauge the performance of the
neural networks that are used in this work. We analyze the dependence of the
success rate of the ML models on the prediction time $T$ , the number of
training samples $N_T$ and the size of the network $N_p$. We observe that in
order to maintain a certain accuracy, $N_T \propto exp(2 h T)$ and $N_p \propto
exp(hT)$, where $h$ is the topological entropy. Similar relations between the
intrinsic chaotic properties of the dynamics and ML parameters might be
observable in other systems as well.
- Abstract(参考訳): 機械学習(ML)にインスパイアされたアルゴリズムは、カオス力学系を分析し予測するための柔軟なツールセットを提供する。
本稿では,古典パラメータの2次元H'enonマップにおける極端な事象の予測のための1つのアルゴリズムの性能を解析する。
そのタスクは、軌道が一定の時間ステップの後にしきい値を超えるかどうかを判断することである。
このタスクは、H\'enonマップのダイナミックス内の幾何学的解釈を持ち、この作業で使用されるニューラルネットワークの性能を測定するために使用します。
予測時間$T$,トレーニングサンプル数$N_T$,ネットワークサイズ$N_p$に基づいて,MLモデルの成功率の依存性を分析する。
一定の精度を維持するために、$N_T \propto exp(2 h T)$ と $N_p \propto exp(hT)$ とすると、$h$ は位相エントロピーである。
力学の内在的なカオス特性とMLパラメータの類似関係は他の系でも観測可能である。
関連論文リスト
- Deep Reinforcement Learning: A Convex Optimization Approach [3.8798345704175534]
本稿では,各エピソード毎に凸最適化を用いて,最適な$Q$関数の2層ニューラルネットワーク近似を求める。
安定な非線形系に対しては、アルゴリズムが収束し、トレーニングされたニューラルネットワークの収束パラメータを最適なニューラルネットワークパラメータに任意に近づけることができることを示す。
論文 参考訳(メタデータ) (2024-02-29T14:41:31Z) - Convergence of Gradient Descent for Recurrent Neural Networks: A
Nonasymptotic Analysis [19.95757894913852]
我々は,動的システムの教師付き学習環境において,勾配降下を訓練した繰り返しニューラルネットワークを解析した。
我々は、$n$サンプルでトレーニングされた適切なd型リカレントニューラルネットワークが、$n$で対数的にのみスケールするネットワークサイズ$m$で最適性を達成できることを示します。
論文 参考訳(メタデータ) (2024-02-19T15:56:43Z) - A Dynamical Model of Neural Scaling Laws [86.9540615081759]
ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。
我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
論文 参考訳(メタデータ) (2024-02-02T01:41:38Z) - Online Algorithm for Node Feature Forecasting in Temporal Graphs [14.964558198236675]
時間グラフのノード特徴を予測するためのオンライン"mspace"を提案する。
mspaceは異なるノード間の空間的相互相関とノード内の時間的自己相関をキャプチャする。
mspaceは最先端技術と同等に動作し、いくつかのデータセットでそれらを上回ります。
論文 参考訳(メタデータ) (2024-01-30T07:31:51Z) - Improved machine learning algorithm for predicting ground state
properties [3.156207648146739]
幾何学的局所性を符号化した帰納バイアスを用いて基底状態特性を予測するための古典的機械学習(ML)アルゴリズムを提案する。
提案したMLモデルは,$mathcalO(log(n))$データのみから学習した後に,$n$-qubitの局所ハミルトンの基底状態特性を効率的に予測することができる。
論文 参考訳(メタデータ) (2023-01-30T18:40:07Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳(メタデータ) (2022-10-13T17:18:59Z) - Fast variable selection makes scalable Gaussian process BSS-ANOVA a
speedy and accurate choice for tabular and time series regression [0.0]
ガウス過程 (GP) は長い歴史を持つ非パラメトリック回帰エンジンである。
拡張性のあるGPアプローチの1つは、2009年に開発されたKL(Karhunen-Lo'eve)分解カーネルBSS-ANOVAである。
項の数を迅速かつ効果的に制限し、競争力のある精度の方法をもたらす新しい変数選択法である。
論文 参考訳(メタデータ) (2022-05-26T23:41:43Z) - Tightening the Dependence on Horizon in the Sample Complexity of
Q-Learning [59.71676469100807]
この研究は、同期Q-ラーニングのサンプルの複雑さを、任意の$0varepsilon 1$に対して$frac|mathcalS| (1-gamma)4varepsilon2$の順序に絞る。
計算やストレージを余分に必要とせずに、高速なq-learningにマッチするvanilla q-learningの有効性を明らかにした。
論文 参考訳(メタデータ) (2021-02-12T14:22:05Z) - Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。
本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。
提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-02-09T07:19:19Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳(メタデータ) (2020-02-25T19:18:36Z)
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。