論文の概要: Deep learning for predicting the occurrence of tipping points

• arxiv url: http://arxiv.org/abs/2407.18693v2
• Date: Mon, 09 Dec 2024 15:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:47:38.261467
• Title: Deep learning for predicting the occurrence of tipping points
• Title（参考訳）: 先端点の発生予測のための深層学習
• Authors: Chengzuo Zhuge, Jiawei Li, Wei Chen,
• Abstract要約: 本研究では,未学習システムにおけるチップポイントの発生を予測するためのディープラーニングアルゴリズムを開発した。 我々のアルゴリズムは従来の手法より優れているだけでなく、不規則サンプリングされたモデル時系列の正確な予測も達成している。 テーピングポイントを予測する能力は、リスク軽減、破滅的な失敗の防止、システム劣化の回復の道を開く。
• 参考スコア（独自算出の注目度）: 9.699777597848618
• License:
• Abstract: Tipping points occur in many real-world systems, at which the system shifts suddenly from one state to another. The ability to predict the occurrence of tipping points from time series data remains an outstanding challenge and a major interest in a broad range of research fields. Particularly, the widely used methods based on bifurcation theory are neither reliable in prediction accuracy nor applicable for irregularly-sampled time series which are commonly observed from real-world systems. Here we address this challenge by developing a deep learning algorithm for predicting the occurrence of tipping points in untrained systems, by exploiting information about normal forms. Our algorithm not only outperforms traditional methods for regularly-sampled model time series but also achieves accurate predictions for irregularly-sampled model time series and empirical time series. Our ability to predict tipping points for complex systems paves the way for mitigation risks, prevention of catastrophic failures, and restoration of degraded systems, with broad applications in social science, engineering, and biology.
• Abstract（参考訳）: チップポイントは、システムが突然ある状態から別の状態へシフトする多くの現実世界システムで発生します。 時系列データからチップポイントの発生を予測する能力は、依然として顕著な課題であり、幅広い研究分野において大きな関心を集めている。 特に、分岐理論に基づく広く使われている手法は、予測精度に信頼性がなく、実世界のシステムからよく見られる不規則サンプリング時系列にも適用できない。 ここでは,非学習系におけるチップポイントの発生を予測するための学習アルゴリズムを開発し,正規形に関する情報を活用することで,この問題に対処する。 本アルゴリズムは,正規サンプルモデル時系列の従来の手法よりも優れているだけでなく,不規則サンプルモデル時系列と経験時系列の正確な予測も達成している。 複雑なシステムの転換点を予測する能力は、社会科学、工学、生物学に幅広い応用があり、リスク軽減、破滅的な失敗の防止、劣化したシステムの回復の道を開く。

関連論文リスト

• Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning [13.082961588929606]
  時系列異常予測は、環境防止やサイバー物理システムの早期維持など、多くの現実のシナリオにおいて重要な役割を果たす。 既存の時系列異常予測手法は、主に手動でラベル付けされた大量のデータで教師付きトレーニングを必要とする。 本稿では,教師なし時系列異常予測の新しい問題について検討する。
  論文  参考訳（メタデータ） (2024-10-22T10:46:36Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• An Extreme-Adaptive Time Series Prediction Model Based on Probability-Enhanced LSTM Neural Networks [6.5700527395783315]
  我々は、極端および正常な予測関数を同時に学習するNEC+と呼ばれる新しい確率強調型ニューラルネットワークモデルを提案する。 本研究では,カリフォルニアの9つの貯水池に適用された3日間の前向き水位予測課題について,提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2022-11-29T03:01:59Z)
• Towards an Awareness of Time Series Anomaly Detection Models' Adversarial Vulnerability [21.98595908296989]
  本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。 いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。 敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
  論文  参考訳（メタデータ） (2022-08-24T01:55:50Z)
• Monitoring Time Series With Missing Values: a Deep Probabilistic Approach [1.90365714903665]
  本研究では,高次元時系列における予測の最先端手法と不確実性の完全な確率的ハンドリングを組み合わせた時系列モニタリングのための新しいアーキテクチャを提案する。 本稿では、時系列予測と新規性検出のアーキテクチャの利点を、特に部分的に欠落したデータで示し、実世界のデータセットにおける最先端のアプローチとアーキテクチャを実証的に評価し比較する。
  論文  参考訳（メタデータ） (2022-03-09T17:53:47Z)
• 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)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。