論文の概要: Clustering-based Identification of Precursors of Extreme Events in Chaotic Systems

• arxiv url: http://arxiv.org/abs/2306.16291v1
• Date: Tue, 20 Jun 2023 12:38:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-02 13:05:35.137684
• Title: Clustering-based Identification of Precursors of Extreme Events in Chaotic Systems
• Title（参考訳）: クラスタリングに基づくカオスシステムにおける極端事象の前兆の同定
• Authors: Urszula Golyska and Nguyen Anh Khoa Doan
• Abstract要約: 力学系の状態における急激かつ急激な高振幅変化は、極端事象と呼ばれる。 カオスシステムにおける希少かつ極端な事象の前駆体を特定するために,データ駆動のモジュラリティに基づくクラスタリング手法の適用性を検討した。
• 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: Abrupt and rapid high-amplitude changes in a dynamical system's states known as extreme event appear in many processes occurring in nature, such as drastic climate patterns, rogue waves, or avalanches. These events often entail catastrophic effects, therefore their description and prediction is of great importance. However, because of their chaotic nature, their modelling represents a great challenge up to this day. The applicability of a data-driven modularity-based clustering technique to identify precursors of rare and extreme events in chaotic systems is here explored. The proposed identification framework based on clustering of system states, probability transition matrices and state space tessellation was developed and tested on two different chaotic systems that exhibit extreme events: the Moehliss-Faisst-Eckhardt model of self-sustained turbulence and the 2D Kolmogorov flow. Both exhibit extreme events in the form of bursts in kinetic energy and dissipation. It is shown that the proposed framework provides a way to identify pathways towards extreme events and predict their occurrence from a probabilistic standpoint. The clustering algorithm correctly identifies the precursor states leading to extreme events and allows for a statistical description of the system's states and its precursors to extreme events.
• Abstract（参考訳）: 力学系の状態における急激で急激な高振幅の変化は、急激な気候パターン、ローグ波、雪崩など自然界で発生する多くのプロセスに現れる。 これらの出来事はしばしば破滅的な影響を伴い、その記述と予測は非常に重要である。 しかし、そのカオス的な性質から、そのモデリングは今日まで大きな課題となっている。 カオスシステムにおける希少かつ極端な事象の前駆体を特定するために,データ駆動のモジュラリティに基づくクラスタリング手法の適用性を検討した。 システム状態のクラスタリング,確率遷移行列,状態空間テセレーションに基づく同定フレームワークを,自己持続乱流のmoehliss-faisst-eckhardtモデルと2次元コルモゴロフ流の2つの異なるカオス系上で開発し,検証した。 どちらも運動エネルギーと散逸のバーストの形で極端な現象を示す。 提案手法は,極端な事象に対する経路を同定し,その発生を確率論的観点から予測する方法を提供する。 クラスタリングアルゴリズムは、極端な事象につながる前駆状態を正しく識別し、システムの状態とその前駆状態を統計的に記述することを可能にする。

関連論文リスト

• Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
  本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。 それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
  論文  参考訳（メタデータ） (2024-10-01T21:14:06Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
  降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。 従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。 本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T11:26:32Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Finding the effective dynamics to make rare events typical in chaotic maps [0.0]
  本稿では,典型的な軌道が原地図の非定型値に対応する実効位相共役写像を求める枠組みを提案する。 この研究は、希少なゆらぎが大きな退化形式主義によって特徴づけられ制御されるような、成長する系の系にカオス写像をもたらす。
  論文  参考訳（メタデータ） (2023-04-26T18:00:08Z)
• Neural multi-event forecasting on spatio-temporal point processes using probabilistically enriched transformers [18.66217537327045]
  時間と空間における離散的な事象の予測には、危険地震の予測や感染症の発生など、多くの科学的応用がある。 本アーキテクチャでは,正規化フローと層を付加した時間的点過程のニューラルマルチイベント予測を提案する。 我々のネットワークは、複雑な未来の離散イベントのバッチ予測を行い、様々なベンチマークデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-11-05T14:55:36Z)
• Towards Learning in Grey Spatiotemporal Systems: A Prophet to Non-consecutive Spatiotemporal Dynamics [8.028527069935732]
  G2S(Grey Stemporal Systems)のための因子分離学習フレームワークを提案する。 中心となる考え方は、階層的に複数の要素を分離し、フレキシブルアグリゲーションと不確実性推定の両方を可能にすることである。 分散量子化(Disangled Quantification)は、信頼性保証とモデル解釈のための2種類の不確実性を特定するために提案される。
  論文  参考訳（メタデータ） (2022-08-17T14:59:48Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Universal Early Warning Signals of Phase Transitions in Climate Systems [0.586336038845426]
  2次元イジングモデル相転移に特化して訓練されたディープニューラルネットワークは、現実およびシミュレーションされた多くの気候システムでテストされている。 精度は従来の統計指標を上回り、空間的指標を含ませることで連続的に性能が向上することが示されている。
  論文  参考訳（メタデータ） (2022-05-31T19:07:15Z)
• Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes [57.22860407362061]
  拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。 提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
  論文  参考訳（メタデータ） (2021-05-24T08:35:48Z)
• 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。