論文の概要: Model scale versus domain knowledge in statistical forecasting of
chaotic systems
- arxiv url: http://arxiv.org/abs/2303.08011v3
- Date: Wed, 22 Nov 2023 23:26:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 04:29:30.650358
- Title: Model scale versus domain knowledge in statistical forecasting of
chaotic systems
- Title（参考訳）: カオスシステムの統計的予測におけるモデルスケールとドメイン知識
- Authors: William Gilpin
- Abstract要約: 我々は17の予測指標を持つ135の低次元システムのクラウドソースデータベース上で24の最先端予測手法をベンチマークした。
大規模でドメインに依存しない予測手法は、常に2ダースのリャプノフ時間まで正確な予測を生成する。
長い水平状態以外のデータ制限設定では、物理学に基づくハイブリッド手法は、強い帰納バイアスのため、相対的な優位性を維持している。
- 参考スコア（独自算出の注目度）: 7.6146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chaos and unpredictability are traditionally synonymous, yet large-scale
machine learning methods recently have demonstrated a surprising ability to
forecast chaotic systems well beyond typical predictability horizons. However,
recent works disagree on whether specialized methods grounded in dynamical
systems theory, such as reservoir computers or neural ordinary differential
equations, outperform general-purpose large-scale learning methods such as
transformers or recurrent neural networks. These prior studies perform
comparisons on few individually-chosen chaotic systems, thereby precluding
robust quantification of how statistical modeling choices and dynamical
invariants of different chaotic systems jointly determine empirical
predictability. Here, we perform the largest to-date comparative study of
forecasting methods on the classical problem of forecasting chaos: we benchmark
24 state-of-the-art forecasting methods on a crowdsourced database of 135
low-dimensional systems with 17 forecast metrics. We find that large-scale,
domain-agnostic forecasting methods consistently produce predictions that
remain accurate up to two dozen Lyapunov times, thereby accessing a new
long-horizon forecasting regime well beyond classical methods. We find that, in
this regime, accuracy decorrelates with classical invariant measures of
predictability like the Lyapunov exponent. However, in data-limited settings
outside the long-horizon regime, we find that physics-based hybrid methods
retain a comparative advantage due to their strong inductive biases.
- Abstract（参考訳）: カオスと予測不能は伝統的に同義であるが、大規模な機械学習手法は最近、典型的な予測可能性の地平線を越えてカオスシステムを予測できる驚くべき能力を示している。
しかし、最近の研究は、リザーバコンピュータや神経常微分方程式のような力学系理論において、トランスフォーマーやリカレントニューラルネットワークのような汎用大規模学習法を上回っているかどうかに異を唱えている。
これらの先行研究は、個々のチョーセンカオス系の比較を行い、異なるカオス系の統計モデル選択と動的不変量がどのように経験的予測可能性を決定するかのロバストな定量化を導いた。
ここでは, カオス予測の古典的問題に対する予測手法について, 最新の比較研究を行い, クラウドソーシングによる135の低次元システムと17の予測指標の24の予測手法を比較検討した。
大規模でドメインに依存しない予測手法は、一貫して2ダース程度のリアプノフ時間まで正確な予測を生成し、古典的手法をはるかに超えた新たなロングホリゾン予測方式にアクセスする。
この方法では、精度はライプノフ指数のような予測可能性の古典的な不変量測度と相関する。
しかし, 長方形構造以外のデータ制限環境では, 物理学に基づくハイブリッド手法は, 強い帰納的バイアスのため, 比較優位であることがわかった。
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。