論文の概要: Large statistical learning models effectively forecast diverse chaotic
systems
- arxiv url: http://arxiv.org/abs/2303.08011v1
- Date: Mon, 13 Mar 2023 03:03:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 14:26:45.436829
- Title: Large statistical learning models effectively forecast diverse chaotic
systems
- Title（参考訳）: 多様なカオスシステムを効果的に予測する大規模統計学習モデル
- Authors: William Gilpin
- Abstract要約: 本研究では,24種類の最先端多変量予測手法を大規模に比較することにより,大規模カオスの予測について検討する。
ニューラルネットワークに基づく大規模でドメインに依存しない時系列予測手法は、常に強い予測性能を示す。
- 参考スコア（独自算出の注目度）: 6.09170287691728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chaos and unpredictability are traditionally synonymous, yet recent advances
in statistical forecasting suggest that large machine learning models can
derive unexpected insight from extended observation of complex systems. Here,
we study the forecasting of chaos at scale, by performing a large-scale
comparison of 24 representative state-of-the-art multivariate forecasting
methods on a crowdsourced database of 135 distinct low-dimensional chaotic
systems. We find that large, domain-agnostic time series forecasting methods
based on artificial neural networks consistently exhibit strong forecasting
performance, in some cases producing accurate predictions lasting for dozens of
Lyapunov times. Best-in-class results for forecasting chaos are achieved by
recently-introduced hierarchical neural basis function models, though even
generic transformers and recurrent neural networks perform strongly. However,
physics-inspired hybrid methods like neural ordinary equations and reservoir
computers contain inductive biases conferring greater data efficiency and lower
training times in data-limited settings. We observe consistent correlation
across all methods despite their widely-varying architectures, as well as
universal structure in how predictions decay over long time intervals. Our
results suggest that a key advantage of modern forecasting methods stems not
from their architectural details, but rather from their capacity to learn the
large-scale structure of chaotic attractors.
- Abstract（参考訳）: カオスと予測不能は伝統的に同義語であるが、統計予測の最近の進歩は、大規模機械学習モデルが複雑なシステムの拡張観測から予期せぬ洞察を導き出せることを示唆している。
本稿では,135個の異なる低次元カオスシステムのクラウドソーシングデータベース上で,24種類の最先端多変量予測手法の大規模比較を行い,カオスの大規模予測について検討する。
ニューラルネットワークに基づく大規模でドメインに依存しない時系列予測手法は、一貫して強い予測性能を示しており、場合によっては何十ものリアプノフ時間にわたって正確な予測を行う場合もある。
カオスを予測するためのクラス最高の結果は、最近導入された階層型ニューラルネットワークモデルによって達成される。
しかし、ニューラル常微分方程式や貯水池コンピュータのような物理学にインスパイアされたハイブリッド手法は、データ制限設定におけるデータ効率の向上とトレーニング時間の短縮をもたらす誘導バイアスを含む。
広範に変化するアーキテクチャにも拘わらず,全ての手法で一貫した相関関係が観察され,また,予測が長い時間間隔で減衰する際の普遍構造も観察される。
その結果,現代の予測手法の重要な利点は,そのアーキテクチャの詳細ではなく,カオス的誘引者の大規模構造を学ぶ能力にあることが示唆された。
関連論文リスト
- Machine Learning for predicting chaotic systems [0.0]
我々は、よく調整された単純な手法と、未調整のベースライン手法が、しばしば最先端のディープラーニングモデルより優れていることを示す。
これらの結果は、データ特性と利用可能な計算資源に対するマッチング予測手法の重要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-07-29T16:34:47Z) - Bayesian Identification of Nonseparable Hamiltonian Systems Using
Stochastic Dynamic Models [0.13764085113103217]
本稿では,システム同定(ID)の確率的定式化と非分離ハミルトニアン系の推定を提案する。
非分離ハミルトニアン系は、天体物理学、ロボット工学、渦力学、荷電粒子力学、量子力学などの様々な科学・工学応用のモデルに現れる。
論文 参考訳（メタデータ） (2022-09-15T23:11:11Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - A Novel Prediction Setup for Online Speed-Scaling [3.3440413258080577]
アルゴリズムを設計(スケジュール)する際にエネルギー的考慮を組み込むのが基本である。
本稿では,古典的,期限ベース,オンラインの高速スケーリング問題に対して,両世界の長所を把握しようと試みる。
論文 参考訳（メタデータ） (2021-12-06T14:46:20Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - A Hierarchical Variational Neural Uncertainty Model for Stochastic Video
Prediction [45.6432265855424]
本稿では,モデルの予測不確かさの原理的定量化であるニューラル不確実性量化器(NUQ)を紹介する。
提案するフレームワークは,最先端モデルと比較して効果的に訓練する。
論文 参考訳（メタデータ） (2021-10-06T00:25:22Z) - Detecting chaos in lineage-trees: A deep learning approach [1.536989504296526]
本稿では,合成軌道上でのディープラーニングモデルの訓練に基づいて,データから最大のリアプノフ指数を推定する新しい手法について述べる。
本手法は, 樹状データ, 生物環境におけるユビキタストポロジ, 特に細胞や生物の系統の動態を解析できるという点で特有である。
論文 参考訳（メタデータ） (2021-06-08T11:11:52Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。
解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。
私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文 参考訳（メタデータ） (2021-05-07T09:22:34Z) - 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。