Fugu-MT 論文翻訳(概要): Estimating covariant Lyapunov vectors from data

論文の概要: Estimating covariant Lyapunov vectors from data

arxiv url: http://arxiv.org/abs/2107.08925v1
Date: Fri, 16 Jul 2021 15:43:31 GMT
ステータス: 処理完了
システム内更新日: 2021-07-20 14:35:57.095610
Title: Estimating covariant Lyapunov vectors from data
Title（参考訳）: データからの共変リアプノフベクトルの推定
Authors: Christoph Martin, Nahal Sharafi, Sarah Hallerberg
Abstract要約: 共変リアプノフベクトル(CLV)は力学系の摂動が増加する方向を特徴付ける。本稿では,システムの基礎となる方程式を知らずに,データ記録に基づいてCLVを推定する手法を提案する。
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: Covariant Lyapunov vectors (CLVs) characterize the directions along which perturbations in dynamical systems grow. They have also been studied as potential predictors of critical transitions and extreme events. For many applications, it is, however, necessary to estimate the vectors from data since model equations are unknown for many interesting phenomena. We propose a novel method for estimating CLVs based on data records without knowing the underlying equations of the system which is suitable also for high-dimensional data and computationally inexpensive. We demonstrate that this purely data-driven approach can accurately estimate CLVs from data records generated by chaotic dynamical systems of dimension 128 and multiple lower-dimensional systems and thus provides the foundation for numerous future applications in data-analysis and data-based predictions.
Abstract（参考訳）: 共変リアプノフベクトル(CLV)は力学系の摂動が増加する方向を特徴付ける。また、臨界遷移や極端な事象の予測因子としても研究されている。しかし、多くの応用において、モデル方程式が多くの興味深い現象について未知であるため、データからベクトルを推定する必要がある。本稿では,高次元データにも適し,計算コストのかかるシステムの基本方程式を知らずに,データ記録に基づいてCLVを推定する手法を提案する。この純粋にデータ駆動型アプローチは、次元128のカオス力学系と複数の低次元系のカオス力学系によって生成されたデータレコードからCLVを正確に推定できることを示す。

関連論文リスト

Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文参考訳（メタデータ） (2024-01-12T22:51:48Z)
Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文参考訳（メタデータ） (2023-06-14T11:41:42Z)
Inexact iterative numerical linear algebra for neural network-based spectral estimation and rare-event prediction [0.0]
遷移作用素の固有関数を導くことは視覚化に有用である。我々はこれらの固有関数を計算するための不正確な反復線形代数法を開発する。
論文参考訳（メタデータ） (2023-03-22T13:07:03Z)
PINN Training using Biobjective Optimization: The Trade-off between Data Loss and Residual Loss [0.0]
物理情報ニューラルネットワーク(PINN)は、測定データが利用可能な問題を表現するための効率的なツールであることが証明されている。本稿では、データ損失と残留損失を2つの個別目的関数として扱うことにより、PINNのトレーニングにおける多目的視点を提案する。
論文参考訳（メタデータ） (2023-02-03T15:27:50Z)
PCENet: High Dimensional Surrogate Modeling for Learning Uncertainty [15.781915567005251]
本稿では,表現学習と不確実性定量化のための新しい代理モデルを提案する。提案モデルでは、(潜在的に高次元の)データの次元的低減のためのニューラルネットワークアプローチと、データ分布を学習するための代理モデル手法を組み合わせる。我々のモデルは,データの表現を学習し,(a)高次元データシステムにおける不確実性を推定し,(c)出力分布の高次モーメントを一致させることができる。
論文参考訳（メタデータ） (2022-02-10T14:42:51Z)
Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文参考訳（メタデータ） (2021-10-26T14:26:25Z)
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)
DynNet: Physics-based neural architecture design for linear and nonlinear structural response modeling and prediction [2.572404739180802]
本研究では,線形および非線形な多自由度系の力学を学習できる物理に基づくリカレントニューラルネットワークモデルを提案する。このモデルは、変位、速度、加速度、内部力を含む完全な応答のセットを推定することができる。
論文参考訳（メタデータ） (2020-07-03T17:05:35Z)
Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文参考訳（メタデータ） (2020-05-19T05:54:14Z)
Probabilistic error estimation for non-intrusive reduced models learned from data of systems governed by linear parabolic partial differential equations [0.0]
この研究は、非侵入的モデル還元で学習した縮小モデルに対する残差に基づく後誤差推定器を導出する。誤差推定器に必要な量は、非侵襲的な方法で最小二乗問題の解として正確に得ることができる。
論文参考訳（メタデータ） (2020-05-12T16:08:05Z)

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。