論文の概要: TensorFlow Chaotic Prediction and Blow Up

• arxiv url: http://arxiv.org/abs/2309.07450v1
• Date: Thu, 14 Sep 2023 06:22:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 15:57:36.890729
• Title: TensorFlow Chaotic Prediction and Blow Up
• Title（参考訳）: TensorFlowのカオス予測とブラウアップ
• Authors: M. Andrecut
• Abstract要約: 我々は高次元非線形系のカオス力学を予測することを目指している。 結果は励まされていますが、図書館の予期せぬ、望ましくない振る舞いも間接的に見つけました。 より具体的には、システムのカオス的振る舞いの長期的な予測は、ライブラリの非決定論的振る舞いによって急速に悪化し、爆発する。
• 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: Predicting the dynamics of chaotic systems is one of the most challenging tasks for neural networks, and machine learning in general. Here we aim to predict the spatiotemporal chaotic dynamics of a high-dimensional non-linear system. In our attempt we use the TensorFlow library, representing the state of the art for deep neural networks training and prediction. While our results are encouraging, and show that the dynamics of the considered system can be predicted for short time, we also indirectly discovered an unexpected and undesirable behavior of the TensorFlow library. More specifically, the longer term prediction of the system's chaotic behavior quickly deteriorates and blows up due to the nondeterministic behavior of the TensorFlow library. Here we provide numerical evidence of the short time prediction ability, and of the longer term predictability blow up.
• Abstract（参考訳）: カオスシステムのダイナミクスを予測することは、ニューラルネットワークや機械学習全般において、最も難しいタスクの1つです。 ここでは,高次元非線形系の時空間カオスダイナミクスを予測することを目的とする。 我々の試みではTensorFlowライブラリを使用し、ディープラーニングのトレーニングと予測の最先端を表現しています。 我々の結果は励まされており、考察されたシステムのダイナミクスを短時間で予測できることを示す一方で、TensorFlowライブラリの予期せぬ、望ましくない振る舞いを間接的に発見する。 より具体的には、システムのカオス的振る舞いの長期的な予測は、tensorflowライブラリの非決定論的振る舞いによって急速に悪化し、爆発する。 ここでは、短時間予測能力の数値的な証明と、長期予測可能性の爆発について述べる。

関連論文リスト

• Advancing Spatio-temporal Storm Surge Prediction with Hierarchical Deep Neural Networks [1.024113475677323]
  北アメリカの沿岸地域は、ハリケーンや非東海岸で発生した暴風雨による大きな脅威に直面している。 従来の数値モデルは正確ではあるが計算コストが高く、リアルタイム予測の実用性に限界がある。 本研究では,階層型ディープニューラルネットワーク(HDNN)と畳み込みオートエンコーダ(CAE)を組み合わせることで,嵐発生時系列を高精度かつ効率的に予測する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-01T15:09:40Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Dynamics of Finite Width Kernel and Prediction Fluctuations in Mean Field Neural Networks [47.73646927060476]
  広義だが有限な特徴学習ニューラルネットワークにおける有限幅効果のダイナミクスを解析する。 我々の結果は、特徴学習の強みにおいて非摂動的である。
  論文  参考訳（メタデータ） (2023-04-06T23:11:49Z)
• Learning from Predictions: Fusing Training and Autoregressive Inference for Long-Term Spatiotemporal Forecasts [4.068387278512612]
  本稿では,複雑なシステムを予測するためのスケジューリング自動回帰BPTT (Schduled Autoregressive BPTT) アルゴリズムを提案する。 その結果,BPTT-SAは畳み込みRNNと畳み込みオートエンコーダRNNの反復的誤り伝播を効果的に抑制できることがわかった。
  論文  参考訳（メタデータ） (2023-02-22T02:46:54Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Continual Learning of Dynamical Systems with Competitive Federated Reservoir Computing [29.98127520773633]
  継続的な学習は、以前の動的体制なしで急激なシステム変更に迅速に適応することを目的としている。 本研究は,連続学習に基づく貯水池計算へのアプローチを提案する。 このマルチヘッド貯水池は、複数の力学系における干渉や忘れを最小化する。
  論文  参考訳（メタデータ） (2022-06-27T14:35:50Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Long-term prediction of chaotic systems with recurrent neural networks [1.1499361198674167]
  貯水池計算システムは, 様々なカオス力学系の状態進化をモデルフリーでデータベースで予測するために最近利用されている。 我々は,時間依存型だがスパースなデータ入力を貯水池コンピューティングに組み込んで,実際の状態のこのような稀な「更新」によって,任意に長い予測水平線が実現できることを実証する。
  論文  参考訳（メタデータ） (2020-03-06T18:59:44Z)

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。