論文の概要: Optimized ensemble deep learning framework for scalable forecasting of
dynamics containing extreme events
- arxiv url: http://arxiv.org/abs/2106.08968v1
- Date: Wed, 9 Jun 2021 10:59:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 17:06:29.626803
- Title: Optimized ensemble deep learning framework for scalable forecasting of
dynamics containing extreme events
- Title（参考訳）: 極端事象を含むダイナミックスのスケーラブル予測のための最適アンサンブル深層学習フレームワーク
- Authors: Arnob Ray, Tanujit Chakraborty, Dibakar Ghosh
- Abstract要約: 2つの機械学習技術は、モデルの精度、安定性、スケーラビリティを相乗的に改善し、ダイナミクスの予測において新しい応用の波を促すために共同で使用される。
フィードフォワードニューラルネットワーク、貯水池コンピューティング、長期記憶の最良の凸結合に基づくOEDLモデルは、極端な事象からなるダイナミクスの予測を前進させる上で重要な役割を果たす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The remarkable flexibility and adaptability of both deep learning models and
ensemble methods have led to the proliferation for their application in
understanding many physical phenomena. Traditionally, these two techniques have
largely been treated as independent methodologies in practical applications.
This study develops an optimized ensemble deep learning (OEDL) framework
wherein these two machine learning techniques are jointly used to achieve
synergistic improvements in model accuracy, stability, scalability, and
reproducibility prompting a new wave of applications in the forecasting of
dynamics. Unpredictability is considered as one of the key features of chaotic
dynamics, so forecasting such dynamics of nonlinear systems is a relevant issue
in the scientific community. It becomes more challenging when the prediction of
extreme events is the focus issue for us. In this circumstance, the proposed
OEDL model based on a best convex combination of feed-forward neural networks,
reservoir computing, and long short-term memory can play a key role in
advancing predictions of dynamics consisting of extreme events. The combined
framework can generate the best out-of-sample performance than the individual
deep learners and standard ensemble framework for both numerically simulated
and real world data sets. We exhibit the outstanding performance of the OEDL
framework for forecasting extreme events generated from Lienard-type system,
prediction of COVID-19 cases in Brazil, dengue cases in San Juan, and sea
surface temperature in Nino 3.4 region.
- Abstract（参考訳）: 深層学習モデルとアンサンブル法の両方の顕著な柔軟性と適応性は、多くの物理現象の理解における彼らの応用の拡散につながった。
伝統的に、これらの2つのテクニックは実践的な応用において独立した方法論として扱われてきた。
本研究では,モデル精度,安定性,スケーラビリティ,再現性における相乗的改善を達成するために,これら2つの機械学習技術が共同で使用される最適化アンサンブルディープラーニング(oedl)フレームワークを開発した。
非予測可能性(unpredictability)はカオス力学の重要な特徴の1つと考えられており、そのような非線形系のダイナミクスの予測は科学コミュニティにとって重要な問題である。
極端な出来事の予測が私たちの目指す問題になると、ますます難しくなります。
この状況下では、フィードフォワードニューラルネットワーク、リザーバコンピューティング、長期短期記憶の最適な凸結合に基づくoedlモデルが、極端な事象からなるダイナミクスの予測を前進させる上で重要な役割を果たす。
組み合わせたフレームワークは、個別の深層学習者よりも優れたサンプル外性能と、数値シミュレーションと実世界のデータセットのための標準アンサンブルフレームワークを生成することができる。
我々は,リナード型システムから発生する極端な事象を予測するためのOEDLフレームワークの卓越した性能,ブラジルにおけるCOVID-19の予測,サンフアンにおけるデングの予測,ニノ3.4地域の海面温度について述べる。
関連論文リスト
- Scientific machine learning in ecological systems: A study on the predator-prey dynamics [1.4633779950109127]
我々は、学習データやニューラルネットワークにのみ依存して、システムの事前の知識なしに、基礎となる微分方程式を明らかにすることを目指している。
本稿では,LotkaVolterraシステムの予測と予測に,Neural ODEとUDEの両方を効果的に活用できることを実証する。
基礎となるダイナミクスを効果的に回復し、トレーニングデータを大幅に減らして正確な予測を行うことで、UDEがニューラルODEより優れているかを観察した。
論文 参考訳（メタデータ） (2024-11-11T10:40:45Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。
低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。
このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文 参考訳（メタデータ） (2024-10-06T15:25:39Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Spatiotemporal Observer Design for Predictive Learning of
High-Dimensional Data [6.214987339902511]
オブザーバ理論を指導したStemporalと呼ばれるディープラーニングアーキテクチャは、オブザーバの高次元データを予測学習するために設計されている。
このフレームワークは、一段階と多段階の両方のシナリオで正確な予測を行う時間的ダイナミクスをキャプチャすることができる。
論文 参考訳（メタデータ） (2024-02-23T12:28:31Z) - Modeling Spatio-temporal Dynamical Systems with Neural Discrete Learning
and Levels-of-Experts [33.335735613579914]
本稿では,ビデオフレームなどの観測結果に基づいて,時間・動的システムの状態変化をモデル化し,推定することの課題に対処する。
本稿では、一般的な物理プロセスの法則をデータ駆動方式で捉えるために、ユニバーサルエキスパートモジュール、すなわち光フロー推定コンポーネントを提案する。
我々は、既存のSOTAベースラインと比較して、提案フレームワークが大きなパフォーマンスマージンを達成することを示すため、広範囲な実験と改善を実施している。
論文 参考訳（メタデータ） (2024-02-06T06:27:07Z) - Skeleton2vec: A Self-supervised Learning Framework with Contextualized
Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。
具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。
提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文 参考訳（メタデータ） (2024-01-01T12:08:35Z) - Learning-enhanced Nonlinear Model Predictive Control using
Knowledge-based Neural Ordinary Differential Equations and Deep Ensembles [5.650647159993238]
本研究では,知識に基づくニューラル常微分方程式(KNODE)とディープアンサンブルというディープラーニングツールを活用し,モデル予測制御(MPC)の予測精度を向上させる。
特に、KNODEモデルのアンサンブル(KNODEアンサンブル)を学習し、真のシステム力学の正確な予測を得る。
KNODEアンサンブルはより正確な予測を提供し、提案した非線形MPCフレームワークの有効性と閉ループ性能を示す。
論文 参考訳（メタデータ） (2022-11-24T23:51:18Z) - Knowledge-based Deep Learning for Modeling Chaotic Systems [7.075125892721573]
本稿では,極端事象とその力学を考察し,知識ベースディープラーニング(KDL)と呼ばれる,深層ニューラルネットワークに基づくモデルを提案する。
提案するKDLは,実データとシミュレーションデータとの協調学習により,カオスシステムを管理する複雑なパターンを学習することができる。
我々は,エルニーニョ海表面温度,サンフアン・デング熱感染,ブヨルノヤ日降水という3つの実世界のベンチマークデータセットを用いて,我々のモデルを検証した。
論文 参考訳（メタデータ） (2022-09-09T11:46:25Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z)
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。