Fugu-MT 論文翻訳(概要): Probabilistic Forecasting for Dynamical Systems with Missing or Imperfect Data

論文の概要: Probabilistic Forecasting for Dynamical Systems with Missing or Imperfect Data

arxiv url: http://arxiv.org/abs/2503.12273v1
Date: Sat, 15 Mar 2025 22:09:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-18 15:58:42.710509
Title: Probabilistic Forecasting for Dynamical Systems with Missing or Imperfect Data
Title（参考訳）: 不足データや不完全データを含む動的システムの確率予測
Authors: Siddharth Rout, Eldad Haber, Stéphane Gaudreault,
Abstract要約: 本研究では,一点予測よりも将来の状態を分布として推定する確率予測のバリエーションを紹介する。気象ベンチデータセットを含む様々な力学系において,その有効性を示す。
参考スコア（独自算出の注目度）: 3.748255320979002
License:
Abstract: The modeling of dynamical systems is essential in many fields, but applying machine learning techniques is often challenging due to incomplete or noisy data. This study introduces a variant of stochastic interpolation (SI) for probabilistic forecasting, estimating future states as distributions rather than single-point predictions. We explore its mathematical foundations and demonstrate its effectiveness on various dynamical systems, including the challenging WeatherBench dataset.
Abstract（参考訳）: 力学系のモデリングは多くの分野において不可欠であるが、不完全あるいはノイズの多いデータのために機械学習技術を適用することはしばしば困難である。本研究では、確率的予測のための確率補間法(SI)の変種を導入し、将来の状態を単一点予測よりも分布として推定する。我々は、その数学的基礎を探求し、挑戦的なWeatherBenchデータセットを含む様々な力学系でその効果を実証する。

関連論文リスト

Extrapolating tipping points and simulating non-stationary dynamics of complex systems using efficient machine learning [2.44755919161855]
本稿では,非線形力学系の分岐挙動を外挿する次世代貯水池計算に基づく,完全データ駆動型機械学習アルゴリズムを提案する。こうすることで、目に見えないパラメータ領域のポストタイピングポイントダイナミクスをシミュレートすることができる。
論文参考訳（メタデータ） (2023-12-11T10:37:28Z)
Variability of echo state network prediction horizon for partially observed dynamical systems [0.0]
本研究では,部分状態入力と完全状態出力を併用したエコー状態ネットワーク(ESN)フレームワークについて検討する。 ESNは,数回のリャプノフ期までの短期的な予測を行うことができることを示す。ノイズの多い数値データセットや実験データセットでトレーニングした場合でも,ESNはシステムのダイナミクスを効果的に学習できることを示す。
論文参考訳（メタデータ） (2023-06-19T09:37:18Z)
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)
Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文参考訳（メタデータ） (2022-02-17T07:56:46Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
Chaos as an interpretable benchmark for forecasting and data-driven modelling [7.6146285961466]
カオスシステムは、現代の統計的学習技術に固有の課題を生んでいる。本稿では,天体物理学,気候学,生化学などの分野にまたがるカオス力学系131のデータベースについて述べる。
論文参考訳（メタデータ） (2021-10-11T13:39:41Z)
Compositional Modeling of Nonlinear Dynamical Systems with ODE-based Random Features [0.0]
この問題に対処するための新しいドメインに依存しないアプローチを提案する。我々は、通常の微分方程式から導かれる物理インフォームド・ランダムな特徴の合成を用いる。提案手法は,ベンチマーク回帰タスクにおいて,他の多くの確率モデルに匹敵する性能を実現する。
論文参考訳（メタデータ） (2021-06-10T17:55:13Z)
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)
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)
Incorporating physical constraints in a deep probabilistic machine learning framework for coarse-graining dynamical systems [7.6146285961466]
本稿では,予測の不確実性の定量化を可能にする,データに基づく確率論的視点を提供する。確率的状態空間モデルを用いて粗粒化過程を定式化する。完全な微細なシステムの進化を再構築することができる。
論文参考訳（メタデータ） (2019-12-30T16:07:46Z)

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。