論文の概要: Using Machine Learning to Anticipate Tipping Points and Extrapolate to Post-Tipping Dynamics of Non-Stationary Dynamical Systems

• arxiv url: http://arxiv.org/abs/2207.00521v1
• Date: Fri, 1 Jul 2022 16:06:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 16:07:13.439185
• Title: Using Machine Learning to Anticipate Tipping Points and Extrapolate to Post-Tipping Dynamics of Non-Stationary Dynamical Systems
• Title（参考訳）: 機械学習を用いた非定常力学系のタイピング点予測とポストタイピングダイナミクスへの外挿
• Authors: Dhruvit Patel and Edward Ott
• Abstract要約: 転倒点遷移と転倒後の長期行動を予測する機械学習タスクについて検討する。 本稿では,この課題に対して,ML手法が有効な結果が得られる範囲と,それらが失敗する条件について検討する。 本論文の主な結論は,非定常力学系の挙動を予測するためのMLベースのアプローチが有望なツールであるということである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we consider the machine learning (ML) task of predicting tipping point transitions and long-term post-tipping-point behavior associated with the time evolution of an unknown (or partially unknown), non-stationary, potentially noisy and chaotic, dynamical system. We focus on the particularly challenging situation where the past dynamical state time series that is available for ML training predominantly lies in a restricted region of the state space, while the behavior to be predicted evolves on a larger state space set not fully observed by the ML model during training. In this situation, it is required that the ML prediction system have the ability to extrapolate to different dynamics past that which is observed during training. We investigate the extent to which ML methods are capable of accomplishing useful results for this task, as well as conditions under which they fail. In general, we found that the ML methods were surprisingly effective even in situations that were extremely challenging, but do (as one would expect) fail when ``too much" extrapolation is required. For the latter case, we investigate the effectiveness of combining the ML approach with conventional modeling based on scientific knowledge, thus forming a hybrid prediction system which we find can enable useful prediction even when its ML-based and knowledge-based components fail when acting alone. We also found that achieving useful results may require using very carefully selected ML hyperparameters and we propose a hyperparameter optimization strategy to address this problem. The main conclusion of this paper is that ML-based approaches are promising tools for predicting the behavior of non-stationary dynamical systems even in the case where the future evolution (perhaps due to the crossing of a tipping point) includes dynamics on a set outside of that explored by the training data.
• Abstract（参考訳）: 本稿では,未知の(あるいは部分的に未知の)非定常的,うるさい,カオス的,ダイナミックなシステムの時間的進化にともなう,チップ点遷移の予測と長期的ポストティッピング・ポイントの挙動について考察する。 MLトレーニングで利用可能な過去の動的状態時系列が、主に状態空間の制限された領域に置かれているのに対して、予測される振る舞いは、トレーニング中にMLモデルによって完全に観察されていないより大きな状態空間で進化する。 この状況では、ML予測システムは、トレーニング中に観察された過去の異なるダイナミクスに外挿する能力を持つ必要がある。 本稿では,この課題に対して,ML手法が有効な結果が得られる範囲と,それらが失敗する条件について検討する。 一般的に、ML手法は極めて困難な状況でも驚くほど効果的であることがわかったが、"あまりにも"外挿が必要になったときに(予想通り)失敗する。 後者の場合,MLアプローチと科学的知識に基づく従来のモデリングを組み合わせることで,MLベースのコンポーネントと知識ベースのコンポーネントが単独で動作しない場合でも,有用な予測が可能なハイブリッド予測システムを構築する。 また,非常に慎重に選択されたMLハイパーパラメータを用いて有用な結果を得るためには,この問題に対処するためのハイパーパラメータ最適化戦略を提案する。 本研究の主な結論は、将来の進化(転倒点の交差によるものと思われる)がトレーニングデータによって探索された集合外におけるダイナミクスを含む場合であっても、MLベースのアプローチは非定常力学系の挙動を予測するための有望なツールであるということである。

関連論文リスト

• Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
  量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2024-07-31T13:37:04Z)
• Towards a Prediction of Machine Learning Training Time to Support Continuous Learning Systems Development [5.207307163958806]
  我々は全文を実証研究する。 ZhengらによるFPTC(Time Complexity)アプローチ。 本稿では,ロジスティック回帰とランダムフォレスト分類のための定式化について検討する。 本研究では,本研究から,学習時間の予測が文脈とどのように密接に関連しているかを観察する。
  論文  参考訳（メタデータ） (2023-09-20T11:35:03Z)
• 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)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• 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)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• 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)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。