論文の概要: Learning to Forecast Dynamical Systems from Streaming Data
- arxiv url: http://arxiv.org/abs/2109.09703v1
- Date: Mon, 20 Sep 2021 17:19:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 18:53:39.792272
- Title: Learning to Forecast Dynamical Systems from Streaming Data
- Title(参考訳): ストリーミングデータから動的システムを予測する学習
- Authors: Dimitris Giannakis, Amelia Henriksen, Joel A. Tropp, and Rachel Ward
- Abstract要約: 本稿では,トレーニングデータに1回のパスしか必要としないKAFのストリーミングアルゴリズムを提案する。
計算実験により、ストリーミングKAF法は力学系のいくつかのクラスを予測できることを示した。
全体的な方法論は、ストリーミングカーネルレグレッションのための新しいテンプレートとして、より広い関心を持つかもしれない。
- 参考スコア(独自算出の注目度): 3.6136161812301744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Kernel analog forecasting (KAF) is a powerful methodology for data-driven,
non-parametric forecasting of dynamically generated time series data. This
approach has a rigorous foundation in Koopman operator theory and it produces
good forecasts in practice, but it suffers from the heavy computational costs
common to kernel methods. This paper proposes a streaming algorithm for KAF
that only requires a single pass over the training data. This algorithm
dramatically reduces the costs of training and prediction without sacrificing
forecasting skill. Computational experiments demonstrate that the streaming KAF
method can successfully forecast several classes of dynamical systems
(periodic, quasi-periodic, and chaotic) in both data-scarce and data-rich
regimes. The overall methodology may have wider interest as a new template for
streaming kernel regression.
- Abstract(参考訳): カーネルアナログ予測 (kernel analog forecasting, kaf) は、動的に生成された時系列データのデータ駆動、非パラメトリック予測のための強力な手法である。
このアプローチはクープマン作用素理論において厳密な基礎を持ち、実際には良好な予測を生成するが、カーネル法に共通する計算コストに苦しむ。
本稿では,訓練データに対する単一パスのみを必要とするkafのストリーミングアルゴリズムを提案する。
このアルゴリズムは、予測スキルを犠牲にすることなく、トレーニングと予測のコストを劇的に削減する。
計算実験により、ストリーミングKAF法は、データスカースとデータリッチレジームの両方において、数種類の動的システム(周期性、準周期性、カオス性)を予測できることを示した。
全体的な方法論は、ストリーミングカーネル回帰の新しいテンプレートとして、より広い関心を持っているかもしれない。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳(メタデータ) (2024-03-11T16:22:41Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Catch-22s of reservoir computing [0.0]
Reservoir Computingは、データから非線形力学系の挙動を予測するための、シンプルで効率的なフレームワークである。
我々は,システムの初期状態からどのアトラクタが収束するかを決定する,流域予測の重要な問題に焦点をあてる。
元の方程式に正確な非線形性を組み込むことで、NGRCは複雑で高次元的なアトラクションの流域を正確に再構築できることを示す。
論文 参考訳(メタデータ) (2022-10-18T23:31:15Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-06T13:18:31Z) - 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) - Incorporating Causal Graphical Prior Knowledge into Predictive Modeling
via Simple Data Augmentation [92.96204497841032]
因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。
本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。
本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
論文 参考訳(メタデータ) (2021-02-27T06:13:59Z) - Short- and long-term prediction of a chaotic flow: A physics-constrained
reservoir computing approach [5.37133760455631]
乱流せん断流モデルにおける極端な事象や長期速度統計を時間精度で予測する,貯留層計算に基づく物理制約型機械学習手法を提案する。
両手法の組み合わせは, 乱流の自己持続過程モデルにおいて, 速度統計を正確に再現し, 極端な事象の発生と振幅を予測することができることを示す。
論文 参考訳(メタデータ) (2021-02-15T12:29:09Z) - Data-driven geophysical forecasting: Simple, low-cost, and accurate
baselines with kernel methods [0.6875312133832078]
これらのエミュレータのカーネルもデータから学習されると、結果のデータ駆動モデルは方程式ベースモデルよりも高速であることを示す。
気候学や永続性に基づく予測技術に対する大きな改善が見られます。
論文 参考訳(メタデータ) (2021-02-13T19:57:33Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Supervised learning from noisy observations: Combining machine-learning
techniques with data assimilation [0.6091702876917281]
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。
論文 参考訳(メタデータ) (2020-07-14T22:29:37Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳(メタデータ) (2020-03-04T18:24:30Z)
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。