論文の概要: Unsupervised learning for anticipating critical transitions
- arxiv url: http://arxiv.org/abs/2501.01579v1
- Date: Thu, 02 Jan 2025 23:57:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:10:52.398957
- Title: Unsupervised learning for anticipating critical transitions
- Title(参考訳): 臨界遷移予測のための教師なし学習
- Authors: Shirin Panahi, Ling-Wei Kong, Bryan Glaz, Mulugeta Haile, Ying-Cheng Lai,
- Abstract要約: この課題に対処するために,変分オートエンコーダ(VAE)と貯水池コンピューティングを組み合わせたフレームワークを述べる。
特に、この駆動因子は、教師なし学習方式でVAEを用いて時系列から検出される。
倉本-シヴァシンスキー系を含む力学系を用いた原型的教師なし学習方式のパワーを実証する。
- 参考スコア(独自算出の注目度): 0.249660468924754
- License:
- Abstract: For anticipating critical transitions in complex dynamical systems, the recent approach of parameter-driven reservoir computing requires explicit knowledge of the bifurcation parameter. We articulate a framework combining a variational autoencoder (VAE) and reservoir computing to address this challenge. In particular, the driving factor is detected from time series using the VAE in an unsupervised-learning fashion and the extracted information is then used as the parameter input to the reservoir computer for anticipating the critical transition. We demonstrate the power of the unsupervised learning scheme using prototypical dynamical systems including the spatiotemporal Kuramoto-Sivashinsky system. The scheme can also be extended to scenarios where the target system is driven by several independent parameters or with partial state observations.
- Abstract(参考訳): 複雑な力学系における臨界遷移を予測するために、パラメータ駆動型貯水池計算の最近のアプローチでは、分岐パラメータの明示的な知識が必要である。
この課題に対処するために,変分オートエンコーダ(VAE)と貯水池コンピューティングを組み合わせたフレームワークを述べる。
特に、教師なし学習方式でVAEを用いて時系列から駆動因子を検出し、抽出した情報を、臨界遷移を予測するために貯水池コンピュータに入力するパラメータとして使用する。
時空間的倉本-シヴァシンスキー系を含む原型力学系を用いた教師なし学習方式のパワーを実証する。
このスキームは、ターゲットシステムがいくつかの独立したパラメータや部分的な状態観察によって駆動されるシナリオにまで拡張することもできる。
関連論文リスト
- Non-Stationary Learning of Neural Networks with Automatic Soft Parameter Reset [98.52916361979503]
非定常性を自動的にモデル化し適応する新しい学習手法を導入する。
非定常的・非政治的強化学習環境において,本手法が有効であることを示す。
論文 参考訳(メタデータ) (2024-11-06T16:32:40Z) - Machine-learning parameter tracking with partial state observation [0.0]
複雑で非線形な力学系は、時間とともに変化するパラメータ、状態推定、予測、制御といったタスクに不可欠な正確な追跡を含むことが多い。
リアルタイムに部分状態観測から時間変化パラメータを正確に追跡する,モデルフリーで完全なデータ駆動型フレームワークを開発した。
低次元および高次元のマルコフ系および非マルコフ系非線形力学系は、機械学習に基づくパラメータ追跡フレームワークのパワーを示すために用いられる。
論文 参考訳(メタデータ) (2023-11-15T17:39:25Z) - Deep Learning of Dynamical System Parameters from Return Maps as Images [0.0]
本稿では,ディープラーニング技術を用いたシステム識別手法を提案する。
離散および連続時間力学系のパラメータを推定するために教師付き学習手法を用いる。
論文 参考訳(メタデータ) (2023-06-20T03:23:32Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳(メタデータ) (2022-02-25T20:00:56Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - Controlling nonlinear dynamical systems into arbitrary states using
machine learning [77.34726150561087]
機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。
最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。
必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
論文 参考訳(メタデータ) (2021-02-23T16:58:26Z) - 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) - Drift anticipation with forgetting to improve evolving fuzzy system [0.0]
本稿では,Evolving Fuzzy Systemにおける忘れを一体化するコヒーレント手法を提案する。
この忘れは、前提部分の指数的忘れと、結論部分の遅れ方向の忘れの2つの方法によって適用される。
提案手法の評価は、ベンチマークオンラインデータセット上で実施される。
論文 参考訳(メタデータ) (2021-01-07T09:21:27Z) - Machine learning prediction of critical transition and system collapse [0.0]
非線形力学における2つの問題に対する自由機械学習に基づく解法を開発した。
機械がカオス的誘引器で通常の機能体制で訓練された場合、遷移点を正確に予測できることを実証する。
臨界点をドリフトするパラメータに対して、入力パラメータチャネルを持つマシンは、システムが過渡状態になるだけでなく、最終崩壊前の平均過渡時間も予測できる。
論文 参考訳(メタデータ) (2020-12-02T21:38:54Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳(メタデータ) (2020-06-18T04:54:11Z)
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。