論文の概要: A Catch-22 of Reservoir Computing

• arxiv url: http://arxiv.org/abs/2210.10211v1
• Date: Tue, 18 Oct 2022 23:31:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 13:00:05.220567
• Title: A Catch-22 of Reservoir Computing
• Title（参考訳）: 貯留層計算のキャッチ22
• Authors: Yuanzhao Zhang and Sean P. Cornelius
• Abstract要約: 次世代貯留層コンピューティング (NGRC) は,特に魅力的な貯留層コンピューティング (RC) の変種として登場した。 NGRCモデルの性能は,読み出し非線形性の選択に極めて敏感であることを示す。 この結果は,複雑な力学系を学習する上で,データ駆動方式が直面する課題を浮き彫りにしている。
• 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: Reservoir Computing (RC) is a simple and efficient model-free framework for data-driven predictions of nonlinear dynamical systems. Recently, Next Generation Reservoir Computing (NGRC) has emerged as an especially attractive variant of RC. By shifting the nonlinearity from the reservoir to the readout layer, NGRC requires less data and has fewer hyperparameters to optimize, making it suitable for challenging tasks such as predicting basins of attraction. Here, using paradigmatic multistable systems including magnetic pendulums and coupled Kuramoto oscillators, we show that the performance of NGRC models can be extremely sensitive to the choice of readout nonlinearity. In particular, by incorporating the exact nonlinearity from the original equations, NGRC trained on a single trajectory can predict pseudo-fractal basins with almost perfect accuracy. However, even a small uncertainty on the exact nonlinearity can completely break NGRC, rendering the prediction accuracy no better than chance. This creates a catch-22 for NGRC since it may not be able to make useful predictions unless a key part of the system being predicted (i.e., its nonlinearity) is already known. Our results highlight the challenges faced by data-driven methods in learning complex dynamical systems.
• Abstract（参考訳）: Reservoir Computing (RC) は非線形力学系のデータ駆動予測のためのシンプルで効率的なモデルフリーフレームワークである。 近年、NGRC(Next Generation Reservoir Computing)がRCの特に魅力的な変種として登場している。 貯水池から読み出し層へ非線形性を変えることで、NGRCはデータが少なくなり、最適化のためのハイパーパラメータも少なくなり、アトラクションの流域の予測のような困難なタスクに適している。 本稿では,磁気振り子とクラモト振動子を結合したマルチテーブルシステムを用いて,ngrcモデルの性能が読み出し非線形性の選択に極めて敏感であることを示す。 特に、元の方程式から厳密な非線形性を導入することで、単一の軌道で訓練されたngrcは、ほぼ完全な精度で擬似フラクタル盆地を予測できる。 しかし、正確な非線形性に関する小さな不確実性でさえ、NGRCを完全に破壊し、予測精度は偶然に劣らない。 これによりNGRCのキャッチ22が生成され、予測されるシステムの重要な部分(すなわちその非線形性)が既に知られている限り、有用な予測ができない可能性がある。 その結果,複雑な力学系を学習する上で,データ駆動方式が直面する課題が浮き彫りになった。

関連論文リスト

• How more data can hurt: Instability and regularization in next-generation reservoir computing [0.0]
  我々は、この現象のより極端なバージョンが、力学系のデータ駆動モデルに現れることを示した。 トレーニングデータの多いフローマップの表現がより良くなったにもかかわらず、NGRCは不条件の積分器を採用でき、安定性を損なうことが判明した。
  論文  参考訳（メタデータ） (2024-07-11T16:22:13Z)
• Hybridizing Traditional and Next-Generation Reservoir Computing to Accurately and Efficiently Forecast Dynamical Systems [0.0]
  Reservoir Computer (RC) は時系列予測のための強力な機械学習アーキテクチャである。 次世代貯水池コンピュータ (NGRC) が導入された。 本稿では,動的システムの時系列予測のためのハイブリッドRC-NGRC手法を提案する。
  論文  参考訳（メタデータ） (2024-03-04T17:35:17Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• A Systematic Exploration of Reservoir Computing for Forecasting Complex Spatiotemporal Dynamics [0.0]
  Reservoir Computer (RC) は、本質的にカオス力学系の予測アーキテクチャに成功しているリカレントニューラルネットワークの一種である。 多数の特性力学系に対する「クラス最良」RCのアーキテクチャと設計選択について検討する。 ローカライゼーションを用いた大規模モデルへのスケールアップにおけるこれらの選択の適用について述べる。
  論文  参考訳（メタデータ） (2022-01-21T22:31:12Z)
• 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)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• 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)
• Reservoir Computing as a Tool for Climate Predictability Studies [0.0]
  我々は、Reservoir Computingが線形逆モデリングアプローチの予測スキルを改善する代替非線形アプローチを提供することを示す。 RC手法の幅広い条件に対する予測能力の向上は、この機械学習技術が気候予測可能性研究に有効である可能性を示唆している。
  論文  参考訳（メタデータ） (2021-02-24T22:22:59Z)
• 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)
• 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)

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。