論文の概要: Learning from the past: predicting critical transitions with machine learning trained on surrogates of historical data
- arxiv url: http://arxiv.org/abs/2410.09707v1
- Date: Sun, 13 Oct 2024 03:25:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 08:36:49.238061
- Title: Learning from the past: predicting critical transitions with machine learning trained on surrogates of historical data
- Title（参考訳）: 過去からの学習:歴史データのサロゲートに基づいて訓練された機械学習による臨界遷移を予測する
- Authors: Zhiqin Ma, Chunhua Zeng, Yi-Cheng Zhang, Thomas M. Bury,
- Abstract要約: 複雑なシステムは、徐々に変化する環境条件が突然、破滅的な新しい状態へと移行する、重要な遷移を経験することができる。
これらの事象の早期警戒信号は、生態学、生物学、気候科学などの分野における意思決定に不可欠である。
本稿では,過去の遷移データに基づいて機械学習分類器を直接訓練する手法を提案する。
- 参考スコア（独自算出の注目度）: 3.9617282900065853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex systems can undergo critical transitions, where slowly changing environmental conditions trigger a sudden shift to a new, potentially catastrophic state. Early warning signals for these events are crucial for decision-making in fields such as ecology, biology and climate science. Generic early warning signals motivated by dynamical systems theory have had mixed success on real noisy data. More recent studies found that deep learning classifiers trained on synthetic data could improve performance. However, neither of these methods take advantage of historical, system-specific data. Here, we introduce an approach that trains machine learning classifiers directly on surrogate data of past transitions, namely surrogate data-based machine learning (SDML). The approach provides early warning signals in empirical and experimental data from geology, climatology, sociology, and cardiology with higher sensitivity and specificity than two widely used generic early warning signals -- variance and lag-1 autocorrelation. Since the approach is trained directly on surrogates of historical data, it is not bound by the restricting assumption of a local bifurcation like previous methods. This system-specific approach can contribute to improved early warning signals to help humans better prepare for or avoid undesirable critical transitions.
- Abstract（参考訳）: 複雑なシステムは、徐々に変化する環境条件が突然、破滅的な新しい状態へと移行する、重要な遷移を経験することができる。
これらの事象の早期警戒信号は、生態学、生物学、気候科学などの分野における意思決定に不可欠である。
力学系理論によって動機付けられたジェネリック早期警報信号は、実雑音データに対して混合的に成功している。
より最近の研究では、合成データに基づいて訓練されたディープラーニング分類器が性能を向上させることが判明した。
しかし、どちらの手法も歴史的、システム固有のデータを利用していない。
本稿では、過去の遷移データ、すなわちデータベース機械学習(SDML)の代理データに基づいて、機械学習分類器を直接訓練するアプローチを提案する。
このアプローチは、地質学、気候学、社会学、心臓学から得られた経験的および実験的なデータから、広く使われている2つの一般的な早期警告信号(分散とlag-1自己相関)よりも感度と特異性が高い早期警告信号を提供する。
この手法は歴史的データのサロゲートに基づいて直接訓練されるため、従来の手法のような局所分岐の制限された仮定に縛られない。
このシステム固有のアプローチは、人間が望ましくない臨界遷移に備えたり避けたりするのに役立つ早期警告信号の改善に寄与する。
関連論文リスト
- Dreaming Learning [41.94295877935867]
機械学習システムに新しい情報を導入することは、以前に格納されたデータに干渉する可能性がある。
スチュアート・カウフマンの随伴可能性の概念に着想を得た学習アルゴリズムを提案する。
ニューラルネットワークは、予想と異なる統計特性を持つデータシーケンスを円滑に受け入れ、統合することを前提としている。
論文 参考訳（メタデータ） (2024-10-23T09:17:31Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - Predicting discrete-time bifurcations with deep learning [0.3350491650545292]
深層学習分類器を訓練し、コディメンジョン-1の5つの局所離散時間分岐に対してEWSを提供する。
これは、広範囲のノイズ強度と分岐へのアプローチ率において、一般的に使用されるEWSよりも優れています。
また、ほとんどの場合において正しい分岐を予測し、特に周期分岐、ニーマルク・サッカー、折りたたみ分岐の精度が高い。
論文 参考訳（メタデータ） (2023-03-16T22:08:41Z) - Early Warning Signals of Social Instabilities in Twitter Data [0.42816770420595307]
本研究では、ソーシャルメディア上でのみ公開されているデータを用いて、社会的に破壊的な事象に対する早期警戒信号を特定する新しい手法について研究する。
私たちは、あるツイートが破壊的なイベントと関連しているかどうかを予測するバイナリ分類器を構築します。
その結果, 永続段階のアプローチは, ディープラーニングに基づく異常検出アルゴリズムよりも安定であり, より高性能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-03T11:18:02Z) - On-the-fly Denoising for Data Augmentation in Natural Language
Understanding [101.46848743193358]
よりクリーンなオリジナルデータに基づいて訓練された有機教師モデルによって提供されるソフトな拡張ラベルから学習する,データ拡張のためのオンザフライデノケーション手法を提案する。
本手法は,一般的な拡張手法に適用でき,テキスト分類と質問応答の両タスクの性能を一貫して向上させることができる。
論文 参考訳（メタデータ） (2022-12-20T18:58:33Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。
半教師付き長尾認識という新しい認識設定を提案する。
2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
論文 参考訳（メタデータ） (2021-05-01T00:43:38Z) - Continual Learning for Fake Audio Detection [62.54860236190694]
本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。
ASVspoof 2019データセットで実験が行われる。
論文 参考訳（メタデータ） (2021-04-15T07:57:05Z) - Detection of Dataset Shifts in Learning-Enabled Cyber-Physical Systems
using Variational Autoencoder for Regression [1.5039745292757671]
回帰問題に対してデータセットシフトを効果的に検出する手法を提案する。
提案手法は帰納的共形異常検出に基づいており,回帰モデルに変分オートエンコーダを用いる。
自動運転車用オープンソースシミュレータに実装された高度緊急ブレーキシステムを用いて,本手法を実証する。
論文 参考訳（メタデータ） (2021-04-14T03:46:37Z)
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。