Fugu-MT 論文翻訳(概要): Effective models and predictability of chaotic multiscale systems via machine learning

論文の概要: Effective models and predictability of chaotic multiscale systems via machine learning

arxiv url: http://arxiv.org/abs/2007.08634v2
Date: Tue, 20 Oct 2020 17:08:48 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 15:01:40.538979
Title: Effective models and predictability of chaotic multiscale systems via machine learning
Title（参考訳）: 機械学習によるカオスマルチスケールシステムの効果的モデルと予測可能性
Authors: Francesco Borra, Angelo Vulpiani, Massimo Cencini
Abstract要約: 大規模分離において,機械学習は,マルチスケール技術を用いて得られたモデルと類似した効果的なモデルを生成する。また,不完全なモデルで貯水池をハイブリダイズすることで,予測可能性を向上させることができることを示した。
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: We scrutinize the use of machine learning, based on reservoir computing, to build data-driven effective models of multiscale chaotic systems. We show that, for a wide scale separation, machine learning generates effective models akin to those obtained using multiscale asymptotic techniques and, remarkably, remains effective in predictability also when the scale separation is reduced. We also show that predictability can be improved by hybridizing the reservoir with an imperfect model.
Abstract（参考訳）: 我々は、貯水池計算に基づく機械学習を用いて、マルチスケールカオスシステムのデータ駆動効果的なモデルを構築する。大規模分離において,機械学習は,マルチスケール漸近的手法を用いて得られたモデルに類似した効果的なモデルを生成するとともに,スケール分離を低減した場合でも予測可能性に極めて有効であることを示す。また,不完全なモデルで貯水池をハイブリダイズすることで,予測可能性を向上させることができることを示した。

関連論文リスト

Towards the Best Solution for Complex System Reliability: Can Statistics Outperform Machine Learning? [39.58317527488534]
本研究は,信頼性評価を改善するための古典的統計手法と機械学習手法の有効性を比較した。従来の統計アルゴリズムは、ブラックボックスの機械学習手法よりも正確で解釈可能な結果が得られることを実証することを目的としている。
論文参考訳（メタデータ） (2024-10-05T17:31:18Z)
Learning Long-Horizon Predictions for Quadrotor Dynamics [48.08477275522024]
四元数に対する長軸予測力学を効率的に学習するための鍵となる設計選択について検討する。逐次モデリング手法は,他のタイプの手法と比較して,合成誤差を最小限に抑える上での優位性を示す。本稿では,モジュール性の向上を図りながら,学習プロセスをさらに単純化する,疎結合な動的学習手法を提案する。
論文参考訳（メタデータ） (2024-07-17T19:06:47Z)
Machine Unlearning in Contrastive Learning [3.6218162133579694]
本稿では,機械学習を効果的に行うためのモデルトレーニングのための,勾配制約に基づく新しいアプローチを提案する。提案手法は,コントラスト学習モデルだけでなく,教師付き学習モデルにも有能な性能を示す。
論文参考訳（メタデータ） (2024-05-12T16:09:01Z)
Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
論文参考訳（メタデータ） (2023-07-12T01:11:52Z)
Reservoir Computing with Diverse Timescales for Prediction of Multiscale Dynamics [5.172455794487599]
異種リークインテグレータニューロンのリカレントネットワークを用いて,様々な時間スケールの貯水池計算モデルを提案する。高速なカオス力学系を用いた予測タスクにおいて、提案モデルが既存の標準モデルよりも高いポテンシャルを持つことを示す。本分析により, 対象力学の各成分の生成に必要な時間尺度は, モデルトレーニングにより, 貯水池力学から適切な, 柔軟に選択されることが明らかとなった。
論文参考訳（メタデータ） (2021-08-21T06:52:21Z)
A Framework for Machine Learning of Model Error in Dynamical Systems [7.384376731453594]
データから動的システムを特定するために,機械的アプローチと機械学習アプローチを混在させる統一フレームワークを提案する。モデルエラーがメモリレスであり、大きなメモリを持つ問題に対して、連続時間と離散時間の両方で問題を提起した。ハイブリッド手法は、データ飢餓、モデルの複雑さの要求、全体的な予測性能において、データ駆動アプローチよりも大幅に優れています。
論文参考訳（メタデータ） (2021-07-14T12:47:48Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Learning Unstable Dynamics with One Minute of Data: A Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。 9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文参考訳（メタデータ） (2021-03-08T05:08:47Z)
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)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。