Fugu-MT 論文翻訳(概要): Predicting Chaotic System Behavior using Machine Learning Techniques

論文の概要: Predicting Chaotic System Behavior using Machine Learning Techniques

arxiv url: http://arxiv.org/abs/2408.05702v1
Date: Sun, 11 Aug 2024 05:45:23 GMT
ステータス: 処理完了
システム内更新日: 2024-08-13 15:57:51.972021
Title: Predicting Chaotic System Behavior using Machine Learning Techniques
Title（参考訳）: 機械学習を用いたカオスシステムの挙動予測
Authors: Huaiyuan Rao, Yichen Zhao, Qiang Lai,
Abstract要約: 機械学習技術、特にディープラーニングは、従来の時系列予測手法よりも優れた性能を示している。本研究では,次世代貯水池コンピューティング(NG-RC) ii)貯水池コンピューティング(RC)iii)長期短期記憶(LSTM)のカオスシステムの挙動予測能力について検討する。
参考スコア（独自算出の注目度）: 3.9940425551415597
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently, machine learning techniques, particularly deep learning, have demonstrated superior performance over traditional time series forecasting methods across various applications, including both single-variable and multi-variable predictions. This study aims to investigate the capability of i) Next Generation Reservoir Computing (NG-RC) ii) Reservoir Computing (RC) iii) Long short-term Memory (LSTM) for predicting chaotic system behavior, and to compare their performance in terms of accuracy, efficiency, and robustness. These methods are applied to predict time series obtained from four representative chaotic systems including Lorenz, R\"ossler, Chen, Qi systems. In conclusion, we found that NG-RC is more computationally efficient and offers greater potential for predicting chaotic system behavior.
Abstract（参考訳）: 近年、機械学習技術、特にディープラーニングは、単変数および多変数の予測を含む様々なアプリケーションにわたる伝統的な時系列予測手法よりも優れた性能を示している。本研究は,その能力について検討することを目的とする。一次世代貯水池計算(NG-RC) 二貯水池計算(RC) 三カオスシステムの挙動を予測するための長期記憶(LSTM)であって、その性能を精度、効率、堅牢性の観点から比較すること。これらの方法は、ローレンツ、R\ossler、Chen、Qiシステムを含む4つの代表的なカオス系から得られる時系列を予測するために応用される。その結果,NG-RCは計算効率が良く,カオスシステムの挙動を予測する可能性が高くなることがわかった。

関連論文リスト

Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文参考訳（メタデータ） (2024-11-04T11:09:58Z)
Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
論文参考訳（メタデータ） (2024-07-31T13:37:04Z)
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)
Model scale versus domain knowledge in statistical forecasting of chaotic systems [7.6146285961466]
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。
論文参考訳（メタデータ） (2023-03-13T03:03:17Z)
Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文参考訳（メタデータ） (2022-11-09T23:40:52Z)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)
Time Series Forecasting with Ensembled Stochastic Differential Equations Driven by L\'evy Noise [2.3076895420652965]
我々は、ニューラルネットワークを備えたSDEの集合を用いて、ノイズのある時系列の長期的な傾向を予測する。まず、位相空間再構成法を用いて時系列データの固有次元を抽出する。次に、$alpha$-stable L'evyの動作によって駆動されるSDEを探索し、時系列データをモデル化し、ニューラルネットワーク近似を用いて問題を解く。
論文参考訳（メタデータ） (2021-11-25T16:49:01Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques [2.3436632098950456]
本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
論文参考訳（メタデータ） (2020-11-25T09:17:07Z)
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)
Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems [48.7576911714538]
我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。 i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。 i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
論文参考訳（メタデータ） (2020-02-10T23:21:50Z)

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。