論文の概要: Supervised learning from noisy observations: Combining machine-learning
techniques with data assimilation
- arxiv url: http://arxiv.org/abs/2007.07383v3
- Date: Mon, 8 Mar 2021 11:45:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 14:34:34.104134
- Title: Supervised learning from noisy observations: Combining machine-learning
techniques with data assimilation
- Title（参考訳）: ノイズ観測による教師付き学習:機械学習技術とデータ同化の併用
- Authors: Georg A. Gottwald and Sebastian Reich
- Abstract要約: 本稿では,予測モデルと固有不確かさを,入射雑音観測と最適に組み合わせる方法について述べる。
得られた予測モデルは、訓練後、計算的に安価であると同時に、極めて優れた予測能力を有することを示す。
本手法は,予測タスクを超えて,確率的予測のための信頼性の高いアンサンブルを生成するとともに,マルチスケールシステムにおける効果的なモデルクロージャを学習するためにも有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.6091702876917281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven prediction and physics-agnostic machine-learning methods have
attracted increased interest in recent years achieving forecast horizons going
well beyond those to be expected for chaotic dynamical systems. In a separate
strand of research data-assimilation has been successfully used to optimally
combine forecast models and their inherent uncertainty with incoming noisy
observations. The key idea in our work here is to achieve increased forecast
capabilities by judiciously combining machine-learning algorithms and data
assimilation. We combine the physics-agnostic data-driven approach of random
feature maps as a forecast model within an ensemble Kalman filter data
assimilation procedure. The machine-learning model is learned sequentially by
incorporating incoming noisy observations. We show that the obtained forecast
model has remarkably good forecast skill while being computationally cheap once
trained. Going beyond the task of forecasting, we show that our method can be
used to generate reliable ensembles for probabilistic forecasting as well as to
learn effective model closure in multi-scale systems.
- Abstract（参考訳）: データ駆動予測と物理に依存しない機械学習手法は、カオス力学系に期待される以上の予測地平線を達成するために近年、関心を集めている。
予測モデルとその固有の不確実性と入ってくるノイズ観測とを最適に組み合わせるために、別の研究データ同化が成功している。
私たちの研究における重要なアイデアは、機械学習アルゴリズムとデータ同化を巧みに組み合わせて、予測能力を高めることです。
ランダム特徴写像の物理に依存しないデータ駆動アプローチを、アンサンブルカルマンフィルタデータ同化手順内の予測モデルとして組み合わせた。
入ってくるノイズ観測を組み込んで機械学習モデルを逐次学習する。
得られた予測モデルは,一度訓練すれば計算量的に安価であると同時に,非常に優れた予測能力を有することを示す。
本手法は,予測タスクを超えて,確率的予測のための信頼性の高いアンサンブルの生成や,マルチスケールシステムにおける効果的なモデル閉鎖学習に有効であることを示す。
関連論文リスト
- DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - A review of probabilistic forecasting and prediction with machine
learning [0.0]
機械学習アルゴリズムを用いて予測不確実性推定の話題を概観する。
我々は確率的予測を評価するための関連する指標(一貫性スコアリング関数と適切なスコアリングルール)について論じる。
このレビューでは、ユーザーのニーズに合わせて新しいアルゴリズムを開発する方法についての理解を深める。
論文 参考訳（メタデータ） (2022-09-17T10:36:30Z) - PROFHIT: Probabilistic Robust Forecasting for Hierarchical Time-series [70.22948987701051]
確率的階層的時系列予測は時系列予測の重要な変種である。
以前の研究は、データセットが与えられた階層的関係と常に一致しており、現実世界のデータセットに適応していないことを静かに仮定している。
ProFHITは,階層全体の分布予測を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - On Learning Prediction-Focused Mixtures [30.338543175315507]
本稿では、予測タスクに関連する次元を自動的に選択する混合物の予測中心モデルを提案する。
提案手法は,入力からの関連信号を特定し,予測に焦点を絞らず,最適化が容易なモデルより優れている。
論文 参考訳（メタデータ） (2021-10-25T19:14:36Z) - A Meta-learning Approach to Reservoir Computing: Time Series Prediction
with Limited Data [0.0]
本研究では,実験プロセスから適切なモデル構造を自動的に抽出するデータ駆動型手法を提案する。
簡単なベンチマーク問題に対して,我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-10-07T18:23:14Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Learning Accurate Long-term Dynamics for Model-based Reinforcement
Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。
シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文 参考訳（メタデータ） (2020-12-16T18:47:37Z) - Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。
本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-03T14:57:24Z)
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。