論文の概要: Neural models for prediction of spatially patterned phase transitions: methods and challenges

• arxiv url: http://arxiv.org/abs/2505.09718v1
• Date: Wed, 14 May 2025 18:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.068091
• Title: Neural models for prediction of spatially patterned phase transitions: methods and challenges
• Title（参考訳）: 空間的パターン付き相転移の予測のためのニューラルモデル:方法と課題
• Authors: Daniel Dylewsky, Sonia Kéfi, Madhur Anand, Chris T. Bauch,
• Abstract要約: 早期警告信号(EWS)検出は、今後のクリティカルトランジションの動的シグネチャを識別する可能性を示唆している。 本稿では,空間的位相パターン遷移に対するニューラルEWS検出の成功と欠点について検討する。
• 参考スコア（独自算出の注目度）: 0.37282630026096597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dryland vegetation ecosystems are known to be susceptible to critical transitions between alternative stable states when subjected to external forcing. Such transitions are often discussed through the framework of bifurcation theory, but the spatial patterning of vegetation, which is characteristic of drylands, leads to dynamics that are much more complex and diverse than local bifurcations. Recent methodological developments in Early Warning Signal (EWS) detection have shown promise in identifying dynamical signatures of oncoming critical transitions, with particularly strong predictive capabilities being demonstrated by deep neural networks. However, a machine learning model trained on synthetic examples is only useful if it can effectively transfer to a test case of practical interest. These models' capacity to generalize in this manner has been demonstrated for bifurcation transitions, but it is not as well characterized for high-dimensional phase transitions. This paper explores the successes and shortcomings of neural EWS detection for spatially patterned phase transitions, and shows how these models can be used to gain insight into where and how EWS-relevant information is encoded in spatiotemporal dynamics. A few paradigmatic test systems are used to illustrate how the capabilities of such models can be probed in a number of ways, with particular attention to the performances of a number of proposed statistical indicators for EWS and to the supplementary task of distinguishing between abrupt and continuous transitions. Results reveal that model performance often changes dramatically when training and test data sources are interchanged, which offers new insight into the criteria for model generalization.
• Abstract（参考訳）: 乾燥地植生の生態系は、外部からの強制を受けると、代替の安定状態間の臨界遷移に影響を受けやすいことが知られている。 このような遷移はしばしば分岐理論の枠組みを通して議論されるが、乾燥地の特徴である植生の空間的パターン化は、局所分岐よりも複雑で多様なダイナミクスをもたらす。 近年のEarly Warning Signal(EWS)検出の方法論的発展は、期待される臨界遷移の動的シグネチャを識別する可能性を示しており、特に深いニューラルネットワークによって強い予測能力が示されている。 しかし、合成例に基づいて訓練された機械学習モデルは、実際に興味のあるテストケースに効果的に移行できる場合にのみ有用である。 この方法で一般化するこれらのモデルの能力は分岐遷移では証明されているが、高次元の相転移ではあまり特徴付けられていない。 本稿では,空間的パターンの位相遷移に対するニューラルEWS検出の成功と欠点を考察し,これらのモデルを用いて時空間力学においてEWS関連情報が符号化される場所と方法の洞察を得る方法について述べる。 いくつかのパラダイムテストシステムは、EWSに提案されたいくつかの統計指標の性能や、急激な遷移と連続的な遷移を区別する補足的なタスクに特に注目して、そのようなモデルの能力を様々な方法で調査できることを示すために使用される。 その結果、トレーニングやテストデータソースの交換時にモデル性能が劇的に変化することが多く、モデル一般化の基準に関する新たな洞察が得られます。

関連論文リスト

• Causal Temporal Representation Learning with Nonstationary Sparse Transition [22.6420431022419]
  Causal Temporal Representation Learning (Ctrl) 法は、複雑な非定常時間列の時間的因果ダイナミクスを特定することを目的としている。 この研究は、人間の直感的な理解と整合したスパース遷移の仮定を採用し、理論的な観点から識別可能性の結果を提示している。 本稿では,非定常スパース遷移を用いた因果時間表現学習(CtrlNS)を提案する。
  論文  参考訳（メタデータ） (2024-09-05T00:38:27Z)
• Phase Transitions in the Output Distribution of Large Language Models [0.9374652839580183]
  物理系において、温度などのパラメータの変化は、ある物質の状態から別の状態への急激な変化である相転移を誘導することができる。 相転移を識別するタスクは、人間の分析とシステムの事前理解を必要とし、どの低次元特性をモニターし分析するかを絞り込む。 近年,データから位相遷移を自動的に検出する統計手法が物理学界で提案されている。 統計的距離を用いて生成した出力の分布変化を定量化し、次点上の確率分布にアクセスして効率的に推定する。
  論文  参考訳（メタデータ） (2024-05-27T12:04:36Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)
• 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)
• Stochastic embeddings of dynamical phenomena through variational autoencoders [1.7205106391379026]
  位相空間の再構成において,観測空間の次元性を高めるために認識ネットワークを用いる。 我々の検証は、このアプローチが元の状態空間に類似した状態空間を復元するだけでなく、新しい時系列を合成できることを示している。
  論文  参考訳（メタデータ） (2020-10-13T10:10:24Z)

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。