Fugu-MT 論文翻訳(概要): Using Echo-State Networks to Reproduce Rare Events in Chaotic Systems

論文の概要: Using Echo-State Networks to Reproduce Rare Events in Chaotic Systems

arxiv url: http://arxiv.org/abs/2505.16208v1
Date: Thu, 22 May 2025 04:21:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-23 17:12:48.031356
Title: Using Echo-State Networks to Reproduce Rare Events in Chaotic Systems
Title（参考訳）: エコー状態ネットワークを用いたカオスシステムにおける希少事象の再現
Authors: Anton Erofeev, Balasubramanya T. Nadiga, Ilya Timofeyev,
Abstract要約: 競合するLotka-Volterraモデルのカオス的魅力を学習し、尾や稀な事象を含む依存変数のヒストグラムを再現する。一般化極値分布を用いて尻尾挙動の定量化を行う。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We apply the Echo-State Networks to predict the time series and statistical properties of the competitive Lotka-Volterra model in the chaotic regime. In particular, we demonstrate that Echo-State Networks successfully learn the chaotic attractor of the competitive Lotka-Volterra model and reproduce histograms of dependent variables, including tails and rare events. We use the Generalized Extreme Value distribution to quantify the tail behavior.
Abstract（参考訳）: 本稿では,Echo-State Networksを用いて,カオス状態における競合するロトカ・ボルテラモデルの時系列と統計特性を予測する。特に,Echo-State Networks は,競合する Lotka-Volterra モデルのカオス的魅力を学習し,テールやレアイベントを含む依存変数のヒストグラムを再現することに成功した。一般化極値分布を用いて尻尾挙動の定量化を行う。

関連論文リスト

Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-02-18T05:35:01Z)
Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-02-04T20:00:45Z)
Hidden State Approximation in Recurrent Neural Networks Using Continuous Particle Filtering [0.0]
過去のデータを使って将来の出来事を予測することは、株価の予測やロボットのローカライゼーションなど、現実世界に多くの応用がある。本稿では, 粒子を用いて潜伏状態の分布を近似し, より複雑な状態に拡張する方法を示す。提案した連続微分可能スキームでは,ベイズ則に従って付加価値情報を適応的に抽出し,潜時状態を更新することができる。
論文参考訳（メタデータ） (2022-12-18T04:31:45Z)
Predicting the State of Synchronization of Financial Time Series using Cross Recurrence Plots [75.20174445166997]
本研究では,2つの金融時系列の動的同期の将来の状態を予測する新しい手法を提案する。我々は,同期状態の予測を方法論的に扱うためのディープラーニングフレームワークを採用する。 2つの時系列の同期状態を予測するタスクは、一般的には難しいが、ある種の在庫は、非常に良好な性能で達成できる。
論文参考訳（メタデータ） (2022-10-26T10:22:28Z)
Data-Driven Interaction Analysis of Line Failure Cascading in Power Grid Networks [0.0]
パワーグリッドネットワークにおける障害カスケードのラインインタラクションをモデル化するために、機械学習ツールを使用します。まず、最初のランダムな故障の後、連続するライン障害を再現した軌跡のデータセットを収集する。次に、モデルパワーネットワークにおける実際の制約を、システムが安定した状態に収まるまで検討する。
論文参考訳（メタデータ） (2021-12-02T09:04:01Z)
Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文参考訳（メタデータ） (2021-10-26T17:35:21Z)
Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文参考訳（メタデータ） (2021-02-15T00:57:28Z)
Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文参考訳（メタデータ） (2021-01-31T11:00:55Z)
Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning [35.34574502348672]
本稿では、金融資産返却の動的テール挙動を学習するための擬似量子回帰フレームワークを提案する。本モデルは,財務時系列の時間変化特性と非対称ヘビーテール特性の両方をよく捉えている。
論文参考訳（メタデータ） (2020-10-16T09:35:52Z)
On a Bernoulli Autoregression Framework for Link Discovery and Prediction [1.9290392443571387]
本稿では,自己回帰過程のベルヌーイ一般化に基づく二項列の動的予測フレームワークを提案する。本稿では,さらに多くの補助的ネットワークを介し,付加的な情報を利用する新たな問題を提案する。既存の作業とは対照的に、勾配に基づく推定アプローチは非常に効率的で、数百万のノードを持つネットワークにスケールすることができる。
論文参考訳（メタデータ） (2020-07-23T05:58:22Z)

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。