論文の概要: Attractor learning for spatiotemporally chaotic dynamical systems using echo state networks with transfer learning
- arxiv url: http://arxiv.org/abs/2505.24099v1
- Date: Fri, 30 May 2025 01:01:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-02 19:47:52.716942
- Title: Attractor learning for spatiotemporally chaotic dynamical systems using echo state networks with transfer learning
- Title（参考訳）: 伝達学習を用いたエコー状態ネットワークを用いた時空間カオス力学系のトラクタ学習
- Authors: Mohammad Shah Alam, William Ott, Ilya Timofeyev,
- Abstract要約: 本稿では,一般的な倉本・シンスキー(gKS)方程式に対するエコー状態ネットワーク(ESN)の予測能力について検討する。
本稿では,gKSモデルのパラメータの多様性にまたがる予測性能を向上させるために,ESNとトランスファー学習を統合する新しい手法を提案する。
- 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: In this paper, we explore the predictive capabilities of echo state networks (ESNs) for the generalized Kuramoto-Sivashinsky (gKS) equation, an archetypal nonlinear PDE that exhibits spatiotemporal chaos. We introduce a novel methodology that integrates ESNs with transfer learning, aiming to enhance predictive performance across various parameter regimes of the gKS model. Our research focuses on predicting changes in long-term statistical patterns of the gKS model that result from varying the dispersion relation or the length of the spatial domain. We use transfer learning to adapt ESNs to different parameter settings and successfully capture changes in the underlying chaotic attractor.
- Abstract（参考訳）: 本稿では,時空間カオスを示す古細菌の非線形PDEであるクラモト・シヴァシンスキー(gKS)方程式に対するエコー状態ネットワーク(ESN)の予測能力について検討する。
本稿では,gKSモデルのパラメータ構造における予測性能の向上を目的として,ESNとトランスファーラーニングを統合した新しい手法を提案する。
本研究は,空間領域の分散関係や長さの変化から生じるgKSモデルの長期統計パターンの変化を予測することに焦点を当てる。
トランスファーラーニングを用いて、異なるパラメータ設定にESNを適応させ、基礎となるカオスアトラクションの変化をうまく捉える。
関連論文リスト
- Deep Learning-based Approaches for State Space Models: A Selective Review [15.295157876811066]
状態空間モデル(SSM)は動的システム解析のための強力なフレームワークを提供する。
本稿では、SSMに対するディープニューラルネットワークに基づくアプローチの最近の進歩を選択的にレビューする。
論文 参考訳（メタデータ） (2024-12-15T15:04:35Z) - Towards Model Discovery Using Domain Decomposition and PINNs [44.99833362998488]
物理インフォームドニューラルネットワーク(PINN)と有限基底物理インフォームドニューラルネットワーク(FBPINN)の2つの手法の性能評価を行った。
バニラPINN法と比較して,準定常時間領域のみのデータがほとんどない場合であっても,FBPINN法の方が優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-02T14:38:37Z) - Fuzzy Recurrent Stochastic Configuration Networks for Industrial Data Analytics [3.8719670789415925]
本稿では,ファジィリカレント構成ネットワーク(F-RSCN)と呼ばれる新しいニューロファジィモデルを提案する。
提案したF-RSCNは,複数の貯留層によって構成され,各貯留層は高木・スゲノ・カン(TSK)ファジィ則に関連付けられている。
TSKファジィ推論システムをRCCNに統合することにより、F-RSCNは強力なファジィ推論能力を有し、学習と一般化の両面での音響性能を実現することができる。
論文 参考訳（メタデータ） (2024-07-06T01:40:31Z) - Reparameterization through Spatial Gradient Scaling [69.27487006953852]
リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。
本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
論文 参考訳（メタデータ） (2023-03-05T17:57:33Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-02-11T21:07:30Z) - Time Series Forecasting with Ensembled Stochastic Differential Equations
Driven by L\'evy Noise [2.3076895420652965]
我々は、ニューラルネットワークを備えたSDEの集合を用いて、ノイズのある時系列の長期的な傾向を予測する。
まず、位相空間再構成法を用いて時系列データの固有次元を抽出する。
次に、$alpha$-stable L'evyの動作によって駆動されるSDEを探索し、時系列データをモデル化し、ニューラルネットワーク近似を用いて問題を解く。
論文 参考訳（メタデータ） (2021-11-25T16:49:01Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z)
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。