論文の概要: Boosted Enhanced Quantile Regression Neural Networks with Spatiotemporal Permutation Entropy for Complex System Prognostics

• arxiv url: http://arxiv.org/abs/2507.14194v1
• Date: Mon, 14 Jul 2025 08:19:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.749443
• Title: Boosted Enhanced Quantile Regression Neural Networks with Spatiotemporal Permutation Entropy for Complex System Prognostics
• Title（参考訳）: 時空間置換エントロピーを用いた複雑系診断のための強化量子回帰ニューラルネットワーク
• Authors: David J Poland,
• Abstract要約: 本稿では、置換置換エントロピー解析を中心としたパターン予測とシステム予測のための新しいフレームワークを提案する。 エントロピーに基づく複雑性測定と高度なニューラルアーキテクチャを組み合わせたアプローチにより,多次元システムにおける複雑な動的パターンを理解するという課題に対処する。
• 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: This paper presents a novel framework for pattern prediction and system prognostics centered on Spatiotemporal Permutation Entropy analysis integrated with Boosted Enhanced Quantile Regression Neural Networks (BEQRNNs). We address the challenge of understanding complex dynamical patterns in multidimensional systems through an approach that combines entropy-based complexity measures with advanced neural architectures. The system leverages dual computational stages: first implementing spatiotemporal entropy extraction optimized for multiscale temporal and spatial data streams, followed by an integrated BEQRNN layer that enables probabilistic pattern prediction with uncertainty quantification. This architecture achieves 81.17% accuracy in spatiotemporal pattern classification with prediction horizons up to 200 time steps and maintains robust performance across diverse regimes. Field testing across chaotic attractors, reaction-diffusion systems, and industrial datasets shows a 79% increase in critical transition detection accuracy and 81.22% improvement in long-term prediction reliability. The framework's effectiveness in processing complex, multimodal entropy features demonstrates significant potential for real-time prognostic applications.
• Abstract（参考訳）: 本稿では, 時空間置換エントロピー解析を中心に, BEQRNN(Boosted Enhanced Quantile Regression Neural Networks)を組み込んだパターン予測とシステム予測のための新しいフレームワークを提案する。 エントロピーに基づく複雑性測定と高度なニューラルアーキテクチャを組み合わせたアプローチにより,多次元システムにおける複雑な動的パターンを理解するという課題に対処する。 マルチスケールの時空間データストリームに最適化された時空間エントロピー抽出を実装し、続いて不確実な定量化を伴う確率的パターン予測を可能にするBEQRNN層を統合する。 このアーキテクチャは時空間パターン分類における81.17%の精度を達成し、予測は最大200のタイムステップで行われ、様々なレシエーションで堅牢な性能を維持している。 カオストラクション, 反応拡散系, 産業データセット間のフィールドテストでは, 臨界遷移検出精度が79%向上し, 長期予測信頼性が81.22%向上した。 このフレームワークの複雑なマルチモーダルエントロピー特性の処理における有効性は、リアルタイムの予後アプリケーションにとって重要な可能性を示している。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• TI-DeepONet: Learnable Time Integration for Stable Long-Term Extrapolation [0.0]
  TI-DeepONetは、ニューラルネットワークと適応的な数値タイムステッピング技術を統合するフレームワークである。 本研究は,ニューラルネットワークを数値解析でブリッジする物理認識演算子学習パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-22T23:24:31Z)
• BiDepth: A Bidirectional-Depth Neural Network for Spatio-Temporal Prediction [4.263291797886899]
  本稿では,2つの重要なイノベーションを統合したBiDepth Multimodal Neural Network (BDMNN)を提案する。 BDMNNは長期の季節と短期の出来事の両方を捉えている。 CSACは、標準的な畳み込み層と同様に、ネットワーク全体の重要な空間関係を維持するように設計されている。
  論文  参考訳（メタデータ） (2025-01-14T19:59:59Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• RefreshNet: Learning Multiscale Dynamics through Hierarchical Refreshing [0.0]
  RefreshNetの"リフレッシュ"メカニズムは、粗いブロックがより細かいブロックの入力をリセットし、エラーの蓄積を効果的に制御し緩和することを可能にする。 RefreshNetの"リフレッシュ"メカニズムは、粗いブロックがより細かいブロックの入力をリセットし、エラーの蓄積を効果的に制御し緩和することを可能にする。
  論文  参考訳（メタデータ） (2024-01-24T07:47:01Z)
• Split-Boost Neural Networks [1.1549572298362787]
  本稿では,スプリットブートと呼ばれるフィードフォワードアーキテクチャの革新的なトレーニング戦略を提案する。 このような新しいアプローチは、最終的に正規化項を明示的にモデル化することを避けることができる。 提案した戦略は、ベンチマーク医療保険設計問題内の実世界の(匿名化された)データセットでテストされる。
  論文  参考訳（メタデータ） (2023-09-06T17:08:57Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting [17.53378788483556]
  長期的な予測に苦しむ2つの一般的な課題は、予測のボラティリティとその計算複雑性である。 N-HiTSは,新しい階層型データサンプリング手法とマルチレートデータサンプリング手法を導入することで,両課題に対処するモデルである。 我々は,N-HiTSの最先端長軸予測法に対する利点を実証的に評価する。
  論文  参考訳（メタデータ） (2022-01-30T17:52:19Z)
• Deep Probabilistic Time Series Forecasting using Augmented Recurrent Input for Dynamic Systems [12.319812075685956]
  我々は、深部生成モデルと状態空間モデル(SSM)の両方の進歩を組み合わせて、新しいデータ駆動の深部確率的シーケンスモデルを考え出す。 特に、リカレントニューラルネットワーク(RNN)を用いた変動配列モデルを構築するために、一般的なエンコーダデコーダ生成構造に従う。 トレーニングと予測の不整合を緩和するために,次のステップでハイブリッド出力を入力として使用することを提案する。
  論文  参考訳（メタデータ） (2021-06-03T23:41:11Z)
• 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)

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。