論文の概要: Transfer learning of chaotic systems
- arxiv url: http://arxiv.org/abs/2011.09970v1
- Date: Sun, 15 Nov 2020 04:09:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:23:06.603709
- Title: Transfer learning of chaotic systems
- Title（参考訳）: カオスシステムの伝達学習
- Authors: Yali Guo, Han Zhang, Liang Wang, Huawei Fan, and Xingang Wang
- Abstract要約: 結合型貯水池コンピュータの連鎖に沿った知識伝達も研究されている。
モデリングシステムから学んだ知識は,実験システムの進化を予測するのに有効であることを示す。
- 参考スコア（独自算出の注目度）: 9.374455902294214
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Can a neural network trained by the time series of system A be used to
predict the evolution of system B? This problem, knowing as transfer learning
in a broad sense, is of great importance in machine learning and data mining,
yet has not been addressed for chaotic systems. Here we investigate transfer
learning of chaotic systems from the perspective of synchronization-based state
inference, in which a reservoir computer trained by chaotic system A is used to
infer the unmeasured variables of chaotic system B, while A is different from B
in either parameter or dynamics. It is found that if systems A and B are
different in parameter, the reservoir computer can be well synchronized to
system B. However, if systems A and B are different in dynamics, the reservoir
computer fails to synchronize with system B in general. Knowledge transfer
along a chain of coupled reservoir computers is also studied, and it is found
that, although the reservoir computers are trained by different systems, the
unmeasured variables of the driving system can be successfully inferred by the
remote reservoir computer. Finally, by an experiment of chaotic pendulum, we
show that the knowledge learned from the modeling system can be used to predict
the evolution of the experimental system.
- Abstract（参考訳）: システムAの時系列によってトレーニングされたニューラルネットワークは、システムBの進化を予測するために使用できるか?
この問題は、広い意味でのトランスファーラーニングとして知られ、機械学習とデータマイニングにおいて非常に重要であるが、カオスシステムには対処されていない。
本稿では,カオスシステムaを訓練したリザーバコンピュータを用いてカオスシステムbの非測定変数を推定し,aはパラメータとダイナミクスのいずれにおいてもbとは異なる,カオスシステムの伝達学習を同期ベース状態推論の観点から検討する。
システムAとBがパラメータが異なる場合、貯水池コンピュータはシステムBと適切に同期することができるが、システムAとBが動的に異なる場合、貯水池コンピュータは一般にシステムBと同期しない。
連結型貯水池コンピュータのチェーンに沿った知識伝達についても検討し, 貯水池コンピュータは異なるシステムで訓練されているものの, 遠隔型貯水池コンピュータでは未測定の変数を推測することができた。
最後に,カオス的振り子実験により,モデリングシステムから得られた知識を実験システムの進化予測に利用できることを示す。
関連論文リスト
- Reconstructing dynamics from sparse observations with no training on target system [0.0]
提案するハイブリッド機械学習フレームワークのパワーは,多くの原型非線形力学系を用いて実証された。
このフレームワークは、トレーニングデータが存在しない極端な状況において、複雑で非線形なダイナミクスを再構築するパラダイムを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:05:04Z) - Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。
本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。
生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2024-06-30T14:55:18Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳（メタデータ） (2023-07-14T07:05:17Z) - Learning Dynamical Systems by Leveraging Data from Similar Systems [1.3053088049015455]
本稿では,補助システムによって生成されたデータにアクセスできる場合の線形システムの力学を学習する問題について考察する。
本研究は,ノイズによる本質的なシステム識別誤差の低減に有効であることを示す。
論文 参考訳（メタデータ） (2023-02-08T21:27:16Z) - Identifying the Dynamics of a System by Leveraging Data from Similar
Systems [1.9813182042770605]
類似したシステムによって生成されたサンプルにアクセスできる場合,線形系の力学を同定する問題について検討する。
重み付き最小二乗法を用いて、同定された力学の品質に関する有限サンプル性能保証を行う。
論文 参考訳（メタデータ） (2022-04-11T23:47:06Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - Classification of Discrete Dynamical Systems Based on Transients [0.0]
決定論的離散空間と時間力学系の任意のクラスに適用可能な新しい分類法を提案する。
順序付けられた振る舞いからカオスへのフェーズ移行に対応する、行動の重要な領域を特定できたのです。
私たちの仕事は、複雑な構造が現れるシステムの設計に利用できます。
論文 参考訳（メタデータ） (2021-08-03T15:34:01Z) - 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) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z)
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。