論文の概要: A Meta-learning Approach to Reservoir Computing: Time Series Prediction
with Limited Data
- arxiv url: http://arxiv.org/abs/2110.03722v1
- Date: Thu, 7 Oct 2021 18:23:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 09:04:02.457440
- Title: A Meta-learning Approach to Reservoir Computing: Time Series Prediction
with Limited Data
- Title(参考訳): 貯留層計算のためのメタラーニングアプローチ:限られたデータを用いた時系列予測
- Authors: Daniel Canaday, Andrew Pomerance, and Michelle Girvan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent research has established the effectiveness of machine learning for
data-driven prediction of the future evolution of unknown dynamical systems,
including chaotic systems. However, these approaches require large amounts of
measured time series data from the process to be predicted. When only limited
data is available, forecasters are forced to impose significant model structure
that may or may not accurately represent the process of interest. In this work,
we present a Meta-learning Approach to Reservoir Computing (MARC), a
data-driven approach to automatically extract an appropriate model structure
from experimentally observed "related" processes that can be used to vastly
reduce the amount of data required to successfully train a predictive model. We
demonstrate our approach on a simple benchmark problem, where it beats the
state of the art meta-learning techniques, as well as a challenging chaotic
problem.
- Abstract(参考訳): 最近の研究は、カオスシステムを含む未知の力学系の将来の進化をデータ駆動で予測するための機械学習の有効性を確立している。
しかし、これらの手法は予測されるプロセスからの大量の時系列データを必要とする。
限られたデータしか利用できない場合、予測者は関心のプロセスを正確に表現する可能性のある、あるいはそうでないような重要なモデル構造を強制される。
本研究では,予測モデルの学習に要するデータ量を大幅に削減できる実験的な「関連する」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手法である,貯水池コンピューティング(marc)へのメタラーニング手法を提案する。
我々は、簡単なベンチマーク問題に対するアプローチを実証し、アートメタラーニングテクニックの状態を打破し、挑戦的なカオス問題に対処する。
関連論文リスト
- Tailored Forecasting from Short Time Series via Meta-learning [0.0]
関連時間系列(METAFORS)からのタイラート予測のためのメタラーニングについて紹介する。
関連するシステムでトレーニングされたモデルのライブラリを活用することで、METAFORSは限られたデータでシステムの進化を予測するために、カスタマイズされたモデルを構築する。
MeTAFORSの短期動態と長期統計の両方を予測する能力を示す。
論文 参考訳(メタデータ) (2025-01-27T18:58:04Z) - Capturing the Temporal Dependence of Training Data Influence [100.91355498124527]
我々は、訓練中にデータポイントを除去する影響を定量化する、軌跡特異的な離脱の影響の概念を定式化する。
軌道固有LOOの効率的な近似を可能にする新しい手法であるデータ値埋め込みを提案する。
データバリューの埋め込みは、トレーニングデータの順序付けをキャプチャするので、モデルトレーニングのダイナミクスに関する貴重な洞察を提供する。
論文 参考訳(メタデータ) (2024-12-12T18:28:55Z) - Topological Approach for Data Assimilation [0.4972323953932129]
トポロジカルデータ解析の基礎となる新しいデータ同化アルゴリズムを提案する。
パーシステンス関数の微分可能性を活用することにより、勾配勾配最適化は、測定と予測予測の間の位相的差を最小限に抑えるために用いられる。
論文 参考訳(メタデータ) (2024-11-12T20:24:46Z) - Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳(メタデータ) (2024-10-30T17:20:10Z) - Towards Learning Stochastic Population Models by Gradient Descent [0.0]
パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。
モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
論文 参考訳(メタデータ) (2024-04-10T14:38:58Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳(メタデータ) (2021-06-14T11:42:46Z) - 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) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - 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)
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。