論文の概要: Prediction of Occurrence of Extreme Events using Machine Learning

• arxiv url: http://arxiv.org/abs/2110.09304v2
• Date: Tue, 19 Oct 2021 13:24:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-24 04:35:32.053920
• Title: Prediction of Occurrence of Extreme Events using Machine Learning
• Title（参考訳）: 機械学習による極端事象の発生予測
• Authors: J. Meiyazhagan, S. Sudharsan, A. Venkatasen and M. Senthilvelan
• Abstract要約: 予測タスクでは,ロジスティック回帰,サポートベクトルマシン,ランダムフォレスト,マルチレイヤパーセプトロンの4つの機械学習モデルを検討する。 考察したシステムにおける極端な事象の予測において,多層パーセプトロンモデルの方が4つのモデルで優れた性能を示すことを示す。
• 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: Machine learning models play a vital role in the prediction task in several fields of study. In this work, we utilize the ability of machine learning algorithms for the prediction of occurrence of extreme events in a nonlinear mechanical system. Extreme events are rare events which occur ubiquitously in nature. We consider four machine learning models, namely Logistic Regression, Support Vector Machine, Random Forest and Multi-Layer Perceptron in our prediction task. We train these four machine learning models using training set data and compute the performance of each model using the test set data. We show that Multi-Layer Perceptron model performs better among the four models in the prediction of extreme events in the considered system. The persistent behaviour of the considered machine learning models are cross-checked with randomly shuffled training set and test set data.
• Abstract（参考訳）: 機械学習モデルは、いくつかの研究分野における予測タスクにおいて重要な役割を果たす。 本研究では,非線形機械系における極端な事象の発生を予測するために,機械学習アルゴリズムの能力を利用する。 極端な出来事は自然界で普遍的に起こる稀な出来事である。 予測タスクでは,ロジスティック回帰,サポートベクターマシン,ランダムフォレスト,多層パーセプトロンという4つの機械学習モデルを検討した。 これら4つの機械学習モデルをトレーニングセットデータを用いてトレーニングし,テストセットデータを用いて各モデルのパフォーマンスを算出する。 考察したシステムにおける極端な事象の予測において,多層パーセプトロンモデルの方が4つのモデルで優れた性能を示すことを示す。 考慮された機械学習モデルの永続的な振る舞いは、ランダムにシャッフルされたトレーニングセットとテストセットデータでクロスチェックされる。

関連論文リスト

• 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)
• Predicting Long-horizon Futures by Conditioning on Geometry and Time [49.86180975196375]
  我々は,過去を前提とした将来のセンサ観測の課題を探求する。 マルチモーダリティを扱える画像拡散モデルの大規模事前学習を活用する。 我々は、屋内と屋外のシーンにまたがる多様なビデオのセットについて、ビデオ予測のためのベンチマークを作成する。
  論文  参考訳（メタデータ） (2024-04-17T16:56:31Z)
• Anticipated Network Surveillance -- An extrapolated study to predict cyber-attacks using Machine Learning and Data Analytics [0.0]
  本稿では、複数のデータパラメータに基づいて、ネットワークにおける今後の攻撃を予測する新しい手法について論じる。 提案するモデルは,データセットの事前処理とトレーニング,続いてテストフェーズで構成される。 テストフェーズの結果に基づいて、攻撃につながる可能性のあるイベントクラスを抽出したベストモデルが選択される。
  論文  参考訳（メタデータ） (2023-12-27T01:09:11Z)
• Machine Unlearning for Causal Inference [0.6621714555125157]
  モデルが与えられたユーザに関する情報(マシンアンラーニング)の学習/取得の一部を忘れることが重要である。 本稿では、因果推論のための機械学習の概念、特に確率スコアマッチングと治療効果推定について紹介する。 この研究で使用されるデータセットは、ジョブトレーニングプログラムの有効性を評価するために広く使用されているデータセットであるLalondeデータセットである。
  論文  参考訳（メタデータ） (2023-08-24T17:27:01Z)
• EAMDrift: An interpretable self retrain model for time series [0.0]
  EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。 EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。 本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-05-31T13:25:26Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Datamodels: Predicting Predictions from Training Data [86.66720175866415]
  本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。 単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
  論文  参考訳（メタデータ） (2022-02-01T18:15:24Z)
• Model-free prediction of emergence of extreme events in a parametrically driven nonlinear dynamical system by Deep Learning [0.0]
  パラメトリック駆動非線形力学系における極端な事象の発生を予測する。 我々は3つのディープラーニングモデル、すなわちMulti-Layer Perceptron、Convolutional Neural Network、Long Short-Term Memoryを使用する。 長短期記憶モデルがカオス時系列の予測に最適であることがわかった。
  論文  参考訳（メタデータ） (2021-07-14T14:48:57Z)
• What do we expect from Multiple-choice QA Systems? [70.86513724662302]
  複数のMultiple Choice Question Answering(MCQA)データセット上で,トップパフォーマンスモデルを検討する。 このようなモデルから得られる可能性のある一連の期待値に対して、モデル入力のゼロ情報摂動を用いて評価する。
  論文  参考訳（メタデータ） (2020-11-20T21:27:10Z)
• For2For: Learning to forecast from forecasts [1.6752182911522522]
  本稿では,標準予測手法と機械学習モデルを組み合わせた時系列予測フレームワークを提案する。 M4コンペティションデータセットでテストされたこのアプローチは、四半期シリーズの全ての応募よりも優れており、月次シリーズの受賞アルゴリズム以外のすべてのものよりも正確である。
  論文  参考訳（メタデータ） (2020-01-14T03:06:53Z)

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。