論文の概要: Characterizing information loss in a chaotic double pendulum with the
Information Bottleneck
- arxiv url: http://arxiv.org/abs/2210.14220v1
- Date: Tue, 25 Oct 2022 17:59:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 16:24:51.567146
- Title: Characterizing information loss in a chaotic double pendulum with the
Information Bottleneck
- Title（参考訳）: 情報ボトルネックを用いたカオス二重振り子における情報損失の特徴
- Authors: Kieran A. Murphy, Dani S. Bassett
- Abstract要約: カオス力学における情報損失の研究において,機械学習が新たな機会を提供することを示す。
我々は、ニューラルネットワークのトレーニング目的として、Information Bottleneckを使用し、システムの状態から情報を抽出する。
次に、各状態変数にボトルネックを分散することにより、最適予測情報を分解する。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A hallmark of chaotic dynamics is the loss of information with time. Although
information loss is often expressed through a connection to Lyapunov exponents
-- valid in the limit of high information about the system state -- this
picture misses the rich spectrum of information decay across different levels
of granularity. Here we show how machine learning presents new opportunities
for the study of information loss in chaotic dynamics, with a double pendulum
serving as a model system. We use the Information Bottleneck as a training
objective for a neural network to extract information from the state of the
system that is optimally predictive of the future state after a prescribed time
horizon. We then decompose the optimally predictive information by distributing
a bottleneck to each state variable, recovering the relative importance of the
variables in determining future evolution. The framework we develop is broadly
applicable to chaotic systems and pragmatic to apply, leveraging data and
machine learning to monitor the limits of predictability and map out the loss
of information.
- Abstract（参考訳）: カオス力学の目印は、時間とともに情報を失うことである。
情報損失は、Lyapunov指数(システム状態に関する高い情報の制限に有効)への接続を通じてしばしば表現されるが、この図は、様々なレベルの粒度の情報損失の豊富なスペクトルを見逃している。
ここでは、カオス力学における情報損失の研究に機械学習が新たな機会を与える方法を示し、二重振り子をモデルシステムとして用いる。
本稿では,ニューラルネットワークの学習目標として情報ボトルネックを用いて,所定の時間経過後に将来の状態を最適に予測するシステムの状態から情報を抽出する。
次に,各状態変数にボトルネックを分散して最適予測情報を分解し,変数の相対的重要性を回復し,今後の進化を決定する。
私たちが開発したフレームワークはカオスシステムにも広く適用でき、データと機械学習を利用して予測可能性の限界を監視し、情報の損失をマップアウトします。
関連論文リスト
- Incremental Learning with Concept Drift Detection and Prototype-based Embeddings for Graph Stream Classification [11.811637154674939]
本研究は,グラフストリーム分類の新しい手法を提案する。
データ生成プロセスは、時間とともにさまざまなノードとエッジを持つグラフを生成する。
ドリフトの検出時にグラフプロトタイプを再計算するために、ロスベースのコンセプトドリフト検出機構が組み込まれている。
論文 参考訳（メタデータ） (2024-04-03T08:47:32Z) - Compressed Predictive Information Coding [6.220929746808418]
我々は,動的データから有用な表現を抽出する新しい情報理論フレームワーク,Compressed Predictive Information Coding (CPIC) を開発した。
我々はCPIC損失の変動境界を導出し、最大予測可能な情報を取得するために潜時空間を誘導する。
我々はCPICが低信号対雑音比で雑音力学系の潜時空間を復元できることを実証した。
論文 参考訳（メタデータ） (2022-03-03T22:47:58Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - Physics perception in sloshing scenes with guaranteed thermodynamic
consistency [0.0]
自由表面の測定からスロッシング液の完全な状態を知るための戦略を提案する。
我々のアプローチは、リカレントニューラルネットワーク(RNN)に基づいて、低次多様体に利用可能な限られた情報を投影する。
論文 参考訳（メタデータ） (2021-06-24T20:13:56Z) - Conditional Contrastive Learning: Removing Undesirable Information in
Self-Supervised Representations [108.29288034509305]
我々は,自己指導型表現において望ましくない情報を除去するために,条件付きコントラスト学習を開発する。
提案手法は,下流タスクの自己教師付き表現をうまく学習できることを実証的に実証する。
論文 参考訳（メタデータ） (2021-06-05T10:51:26Z) - 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) - Representation Learning for Sequence Data with Deep Autoencoding
Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。
我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。
提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文 参考訳（メタデータ） (2020-10-07T03:34:01Z) - Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。
エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。
入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
論文 参考訳（メタデータ） (2020-06-16T15:07:25Z) - A Theory of Usable Information Under Computational Constraints [103.5901638681034]
本稿では,複雑なシステムにおける情報推論のための新しいフレームワークを提案する。
我々の基礎はシャノンの情報理論の変分拡張に基づいている。
計算制約を組み込むことで,データから$mathcalV$-informationを確実に推定できることを示す。
論文 参考訳（メタデータ） (2020-02-25T06:09:30Z)
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。