論文の概要: Model-assisted deep learning of rare extreme events from partial observations

• arxiv url: http://arxiv.org/abs/2111.04857v1
• Date: Thu, 4 Nov 2021 23:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-14 15:27:46.898485
• Title: Model-assisted deep learning of rare extreme events from partial observations
• Title（参考訳）: 部分的観測による希少事象のモデル支援深層学習
• Authors: Anna Asch and Ethan Brady and Hugo Gallardo and John Hood and Bryan Chu and Mohammad Farazmand
• Abstract要約: ディープニューラルネットワークを使って稀な極端な事象を予測するには、いわゆる小さなデータ問題に遭遇する。 本稿では,数値シミュレーションからトレーニングデータを取得するモデル支援フレームワークについて検討する。 長い短期記憶ネットワークはノイズに対して最も頑丈であり、比較的正確な予測が得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: To predict rare extreme events using deep neural networks, one encounters the so-called small data problem because even long-term observations often contain few extreme events. Here, we investigate a model-assisted framework where the training data is obtained from numerical simulations, as opposed to observations, with adequate samples from extreme events. However, to ensure the trained networks are applicable in practice, the training is not performed on the full simulation data; instead we only use a small subset of observable quantities which can be measured in practice. We investigate the feasibility of this model-assisted framework on three different dynamical systems (Rossler attractor, FitzHugh--Nagumo model, and a turbulent fluid flow) and three different deep neural network architectures (feedforward, long short-term memory, and reservoir computing). In each case, we study the prediction accuracy, robustness to noise, reproducibility under repeated training, and sensitivity to the type of input data. In particular, we find long short-term memory networks to be most robust to noise and to yield relatively accurate predictions, while requiring minimal fine-tuning of the hyperparameters.
• Abstract（参考訳）: 深層ニューラルネットワークを用いたまれな極端事象の予測では、長期観測でも極端事象は少ないため、いわゆる「小さなデータ問題」に遭遇する。 そこで本研究では,極端事象からの適切なサンプルを用いて,数値シミュレーションからトレーニングデータを取得するモデル支援フレームワークについて検討する。 しかし、訓練されたネットワークが実際に適用可能であることを保証するため、トレーニングは完全なシミュレーションデータ上で行われず、実際に測定できる観測可能な量の小さなサブセットのみを使用する。 本稿では,3種類の動的システム(Rossler attractor, FitzHugh--Nagumoモデル, 乱流流)と3種類の深部ニューラルネットワークアーキテクチャ(フィードフォワード, 長期記憶, 貯水池計算)におけるモデル支援フレームワークの実現可能性について検討する。 いずれの場合においても, 予測精度, 雑音に対するロバスト性, 繰り返し訓練時の再現性, 入力データの種類に対する感度について検討した。 特に、長期の短期記憶ネットワークはノイズに対して最も頑健であり、ハイパーパラメータの微調整を最小にしながら、比較的正確な予測を可能にする。

関連論文リスト

• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• A Neural-Network-Based Approach for Loose-Fitting Clothing [2.910739621411222]
  本稿では, リアルタイム数値アルゴリズムを用いて, ゆるやかな衣服の動的モードを近似する方法を示す。 また,スキンを用いて望ましいメッシュに粗い近似を再構築する。 大量のトレーニングデータを必要とするリカレントニューラルネットワークとは対照的に、QNNはトレーニングデータを大幅に少なくする。
  論文  参考訳（メタデータ） (2024-04-25T05:52:20Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Reconstructing Training Data from Model Gradient, Provably [68.21082086264555]
  ランダムに選択されたパラメータ値で1つの勾配クエリからトレーニングサンプルを再構成する。 センシティブなトレーニングデータを示す証明可能な攻撃として、われわれの発見はプライバシーに対する深刻な脅威を示唆している。
  論文  参考訳（メタデータ） (2022-12-07T15:32:22Z)
• DeepBayes -- an estimator for parameter estimation in stochastic nonlinear dynamical models [11.917949887615567]
  本研究では,DeepBayes推定器を提案する。 ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。 提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
  論文  参考訳（メタデータ） (2022-05-04T18:12:17Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Multivariate Anomaly Detection based on Prediction Intervals Constructed using Deep Learning [0.0]
  提案手法は,よく確立された統計モデルに対するものである。 我々は3つのディープラーニングアーキテクチャ、すなわちカスケ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、長期記憶のリカレントニューラルネットワークに焦点を当てている。
  論文  参考訳（メタデータ） (2021-10-07T12:34:31Z)
• 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)
• Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
  本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。 我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
  論文  参考訳（メタデータ） (2020-10-16T08:29:36Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。