論文の概要: LETS Forecast: Learning Embedology for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2506.06454v1
• Date: Fri, 06 Jun 2025 18:24:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.279522
• Title: LETS Forecast: Learning Embedology for Time Series Forecasting
• Title（参考訳）: LETS予測: 時系列予測のための埋め込み学学習
• Authors: Abrar Majeedi, Viswanatha Reddy Gajjala, Satya Sai Srinath Namburi GNVV, Nada Magdi Elkordi, Yin Li,
• Abstract要約: 本稿では,非線形力学系モデリングとディープニューラルネットワークを統合するフレームワークDeepEDMを紹介する。 経験的動的モデリング(EDM)にインスパイアされ、Takensの定理に根ざしたDeepEDMは、時間遅れの埋め込みから潜伏空間を学ぶ新しいディープモデルを提供する。 以上の結果から,DeepEDMは入力ノイズに対して頑健であり,精度の予測において最先端の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 8.05466205230466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world time series are often governed by complex nonlinear dynamics. Understanding these underlying dynamics is crucial for precise future prediction. While deep learning has achieved major success in time series forecasting, many existing approaches do not explicitly model the dynamics. To bridge this gap, we introduce DeepEDM, a framework that integrates nonlinear dynamical systems modeling with deep neural networks. Inspired by empirical dynamic modeling (EDM) and rooted in Takens' theorem, DeepEDM presents a novel deep model that learns a latent space from time-delayed embeddings, and employs kernel regression to approximate the underlying dynamics, while leveraging efficient implementation of softmax attention and allowing for accurate prediction of future time steps. To evaluate our method, we conduct comprehensive experiments on synthetic data of nonlinear dynamical systems as well as real-world time series across domains. Our results show that DeepEDM is robust to input noise, and outperforms state-of-the-art methods in forecasting accuracy. Our code is available at: https://abrarmajeedi.github.io/deep_edm.
• Abstract（参考訳）: 実世界の時系列は、しばしば複雑な非線形力学によって支配される。 これらの基礎となる力学を理解することは、正確な将来の予測に不可欠である。 ディープラーニングは時系列予測において大きな成功をおさめたが、既存のアプローチの多くは、ダイナミクスを明示的にモデル化していない。 このギャップを埋めるために、ディープニューラルネットワークと非線形力学系モデリングを統合するフレームワークDeepEDMを導入する。 経験的動的モデリング(EDM)にインスパイアされ、Takensの定理に根ざしたDeepEDMは、時間遅延埋め込みから潜伏空間を学習し、カーネル回帰を用いて基盤となるダイナミクスを近似し、ソフトマックスアテンションの効率的な実装を活用し、将来の時間ステップの正確な予測を可能にする新しいディープモデルを提供する。 本手法を評価するため,非線形力学系の合成データと実世界の時間系列に関する総合的な実験を行った。 以上の結果から,DeepEDMは入力ノイズに対して頑健であり,精度の予測において最先端の手法よりも優れていることがわかった。 私たちのコードは、https://abrarmajeedi.github.io/deep_edm.comで利用可能です。

関連論文リスト

• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Learning and Current Prediction of PMSM Drive via Differential Neural Networks [13.370017978792479]
  本研究では,ディファレンシャルニューラルネットワーク(DNN)を用いた非線形システムのモデル化手法を提案する。 本手法の有効性は, 各種負荷乱れおよび無負荷条件下で行った実験により検証した。
  論文  参考訳（メタデータ） (2024-12-12T07:43:27Z)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• Machine Learning Enhanced Hankel Dynamic-Mode Decomposition [0.0]
  我々は,高次元およびカオス力学をよりよく近似する適応学習スキームを構築するための,ディープラーニングMDDに基づく手法を開発した。 これはDMDを全体として強化する上で重要な機能であり、時系列分析やモデル生成のための他のディープラーニング手法を開発する上で、さらなる洞察を提供するのに役立つだろう。
  論文  参考訳（メタデータ） (2023-03-11T02:56:29Z)
• Knowledge-based Deep Learning for Modeling Chaotic Systems [7.075125892721573]
  本稿では,極端事象とその力学を考察し,知識ベースディープラーニング(KDL)と呼ばれる,深層ニューラルネットワークに基づくモデルを提案する。 提案するKDLは,実データとシミュレーションデータとの協調学習により,カオスシステムを管理する複雑なパターンを学習することができる。 我々は,エルニーニョ海表面温度,サンフアン・デング熱感染,ブヨルノヤ日降水という3つの実世界のベンチマークデータセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2022-09-09T11:46:25Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• 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)
• 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)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。