Fugu-MT 論文翻訳(概要): Harnessing Loss Decomposition for Long-Horizon Wave Predictions via Deep Neural Networks

論文の概要: Harnessing Loss Decomposition for Long-Horizon Wave Predictions via Deep Neural Networks

arxiv url: http://arxiv.org/abs/2412.02924v1
Date: Wed, 04 Dec 2024 00:27:54 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-05 15:07:30.537457
Title: Harnessing Loss Decomposition for Long-Horizon Wave Predictions via Deep Neural Networks
Title（参考訳）: ニューラルネットを用いた長軸波予測のための高調波損失分解
Authors: Indu Kant Deo, Rajeev Jaiman,
Abstract要約: 本稿では,損失を分離した位相成分と振幅成分に分解する新しい損失分解戦略を提案する。この手法は、数値誤差を明示的に考慮し、波動伝播タスクにおけるニューラルネットワークの長期予測精度を向上させる。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Accurate prediction over long time horizons is crucial for modeling complex physical processes such as wave propagation. Although deep neural networks show promise for real-time forecasting, they often struggle with accumulating phase and amplitude errors as predictions extend over a long period. To address this issue, we propose a novel loss decomposition strategy that breaks down the loss into separate phase and amplitude components. This technique improves the long-term prediction accuracy of neural networks in wave propagation tasks by explicitly accounting for numerical errors, improving stability, and reducing error accumulation over extended forecasts.
Abstract（参考訳）: 波動伝播のような複雑な物理過程をモデル化するためには、長期間の地平線上での正確な予測が不可欠である。ディープニューラルネットワークはリアルタイム予測を約束するが、予測が長期にわたって延びるにつれて、位相と振幅誤差の蓄積に苦慮することが多い。この問題に対処するために,損失を分離した位相成分と振幅成分に分解する新しい損失分解戦略を提案する。この技術は、数値誤差を明示的に考慮し、安定性を向上し、拡張予測よりも誤差の蓄積を減らすことにより、波動伝播タスクにおけるニューラルネットワークの長期予測精度を向上させる。

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)
Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-02-14T18:20:44Z)
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)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文参考訳（メタデータ） (2023-05-20T05:16:31Z)
STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence Traffic Speed Forecasting [8.596556653895028]
本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
論文参考訳（メタデータ） (2022-10-01T05:58:22Z)
Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
降雨予測のための自己注意型拡張畳み込み機構を提案する。実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
論文参考訳（メタデータ） (2022-01-31T18:16:03Z)
N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting [17.53378788483556]
長期的な予測に苦しむ2つの一般的な課題は、予測のボラティリティとその計算複雑性である。 N-HiTSは,新しい階層型データサンプリング手法とマルチレートデータサンプリング手法を導入することで,両課題に対処するモデルである。我々は,N-HiTSの最先端長軸予測法に対する利点を実証的に評価する。
論文参考訳（メタデータ） (2022-01-30T17:52:19Z)
Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。本手法の有効性を,大規模書籍市場データを用いて検証した。
論文参考訳（メタデータ） (2022-01-14T14:02:19Z)
Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文参考訳（メタデータ） (2020-11-23T05:42:20Z)
Preserving Dynamic Attention for Long-Term Spatial-Temporal Prediction [24.752083385400343]
長期予測は非常にエラーに敏感であり、都市的な現象を予測する際にはより重要になる。本稿では,新しいマルチスペースアテンション(MSA)機構を備えた動的スイッチアテンションネットワーク(DSAN)を提案する。短期予測と長期予測の両方において,DSANの優位性を示す。
論文参考訳（メタデータ） (2020-06-16T00:56:43Z)

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。