論文の概要: Feature-based Transferable Disruption Prediction for future tokamaks using domain adaptation

• arxiv url: http://arxiv.org/abs/2309.05361v1
• Date: Mon, 11 Sep 2023 10:13:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 12:56:12.742393
• Title: Feature-based Transferable Disruption Prediction for future tokamaks using domain adaptation
• Title（参考訳）: ドメイン適応を用いた将来のトカマクの特徴に基づくトランスファタブル・ディスラプション予測
• Authors: Chengshuo Shen, Wei Zheng, Bihao Guo, Dalong Chen, Xinkun Ai, Fengming Xue, Yu Zhong, Nengchao Wang, Biao Shen, Binjia Xiao, Yonghua Ding, Zhongyong Chen, Yuan Pan and J-TEXT team
• Abstract要約: 本稿では,CORALと呼ばれる領域適応アルゴリズムを用いて,将来のトカマクの破壊を予測するための新しい手法を示す。 ディスラプション予測タスクにドメイン適応を適用しようとする最初の試みである。
• 参考スコア（独自算出の注目度）: 3.0854960284180133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The high acquisition cost and the significant demand for disruptive discharges for data-driven disruption prediction models in future tokamaks pose an inherent contradiction in disruption prediction research. In this paper, we demonstrated a novel approach to predict disruption in a future tokamak only using a few discharges based on a domain adaptation algorithm called CORAL. It is the first attempt at applying domain adaptation in the disruption prediction task. In this paper, this disruption prediction approach aligns a few data from the future tokamak (target domain) and a large amount of data from the existing tokamak (source domain) to train a machine learning model in the existing tokamak. To simulate the existing and future tokamak case, we selected J-TEXT as the existing tokamak and EAST as the future tokamak. To simulate the lack of disruptive data in future tokamak, we only selected 100 non-disruptive discharges and 10 disruptive discharges from EAST as the target domain training data. We have improved CORAL to make it more suitable for the disruption prediction task, called supervised CORAL. Compared to the model trained by mixing data from the two tokamaks, the supervised CORAL model can enhance the disruption prediction performance for future tokamaks (AUC value from 0.764 to 0.890). Through interpretable analysis, we discovered that using the supervised CORAL enables the transformation of data distribution to be more similar to future tokamak. An assessment method for evaluating whether a model has learned a trend of similar features is designed based on SHAP analysis. It demonstrates that the supervised CORAL model exhibits more similarities to the model trained on large data sizes of EAST. FTDP provides a light, interpretable, and few-data-required way by aligning features to predict disruption using small data sizes from the future tokamak.
• Abstract（参考訳）: 将来のトカマクにおけるデータ駆動破壊予測モデルに対する高い獲得コストと大きなディスラプティブ放電需要は、ディスラプション予測研究に固有の矛盾をもたらす。 本稿では,CORALと呼ばれる領域適応アルゴリズムに基づく数個の放電のみを用いて,将来のトカマクの破壊を予測する新しい手法を示す。 これはディスラプション予測タスクにドメイン適応を適用する最初の試みである。 本稿では,将来のトカマク(ターゲットドメイン)からのデータと,既存のトカマク(ソースドメイン)からの大量のデータを組み合わせて,既存のトカマクにおける機械学習モデルをトレーニングする。 J-TEXTを既存のトカマクとして,EASTを将来のトカマクとして選択した。 将来のトカマクにおける破壊的データ不足をシミュレートするために,EASTから100個の非破壊的放電と10個の破壊的放電のみを対象領域トレーニングデータとして選択した。 我々は、教師付きコーラルと呼ばれる破壊予測タスクにもっと適するように改善した。 2つのトカマクのデータを混合して訓練したモデルと比較して、教師付きコーラルモデルは将来のトカマクの破壊予測性能を高めることができる(AUC値は0.764から0.890)。 解釈可能な分析を通じて,教師付きサンゴを用いたデータ分布の変換が,今後のトカマクとよりよく似ていることを発見した。 モデルが類似した特徴の傾向を学習したかどうかを評価するための評価手法をSHAP分析に基づいて設計する。 これは、教師付きCORALモデルが、EASTの大規模データサイズでトレーニングされたモデルとより類似していることを示している。 FTDPは、将来のトカマクから小さなデータサイズを使用して破壊を予測するために、機能を調整することで、軽量で解釈可能で、少数のデータ要求の方法を提供する。

関連論文リスト

• Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。 予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Fusion of Movement and Naive Predictions for Point Forecasting in Univariate Random Walks [6.935130578959931]
  方法はランダムウォークの変種定義から導かれ、将来の値に対するランダムなエラー項は、方向記号で乗算された正のランダムなエラーとして表現される。 0.55のような中程度の運動予測精度で、ナイーブ予測を確実に上回る。 正確な点予測が難しいが、正確な運動予測が可能である場合、特に有利である。
  論文  参考訳（メタデータ） (2024-06-20T16:32:18Z)
• GVFs in the Real World: Making Predictions Online for Water Treatment [23.651798878534635]
  実際の飲料水処理プラントにおける強化学習に基づく予測手法の適用について検討する。 まず、このデータセットを説明し、季節性、非定常性、部分観測可能性といった課題を強調します。 オンラインで学習するTDエージェントに対してオンライン更新を行わずに、純粋にオフラインで訓練されたTDエージェントを比較して、デプロイメントにおける学習の重要性を示す。
  論文  参考訳（メタデータ） (2023-12-04T04:49:10Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Transferable Cross-Tokamak Disruption Prediction with Deep Hybrid Neural Network Feature Extractor [4.736144727269566]
  将来のトカマクは、高性能放電における破壊をほとんど許容できない。 1つのトカマクで訓練された破壊予測モデルを他のトカマクに転送できる機械学習手法が必要である。
  論文  参考訳（メタデータ） (2022-08-20T03:29:10Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)
• Scenario adaptive disruption prediction study for next generation burning-plasma tokamaks [0.0]
  次世代高性能トカマク(HP)は、高電流および電力の未緩和破壊によるリスク損傷を発生させる。 トカマクの運用体制が、訓練された破壊予測器のパワーにどのように影響するかを実証する。
  論文  参考訳（メタデータ） (2021-09-18T15:48:02Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Learning Output Embeddings in Structured Prediction [73.99064151691597]
  構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。 原空間における予測は、前像問題の解法により計算される。 本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2020-07-29T09:32:53Z)

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。