論文の概要: Stabilizing autoregressive forecasts in chaotic systems via multi-rate latent recurrence

• arxiv url: http://arxiv.org/abs/2601.14487v1
• Date: Tue, 20 Jan 2026 21:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.156052
• Title: Stabilizing autoregressive forecasts in chaotic systems via multi-rate latent recurrence
• Title（参考訳）: 多段階潜在再発によるカオスシステムにおける自己回帰予測の安定化
• Authors: Mrigank Dhingra, Omer San,
• Abstract要約: 階層型暗黙予測器であるMSR-HINEを導入し、異なる時間スケールで動作させるマルチレート繰り返しモジュールを用いて、マルチスケールの潜伏先行を増大させる。 2つの標準ベンチマークで、MSR-HINEはU-Netの自己回帰ベースラインよりも大幅に向上する。
• 参考スコア（独自算出の注目度）: 0.24554686192257422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon autoregressive forecasting of chaotic dynamical systems remains challenging due to rapid error amplification and distribution shift: small one-step inaccuracies compound into physically inconsistent rollouts and collapse of large-scale statistics. We introduce MSR-HINE, a hierarchical implicit forecaster that augments multiscale latent priors with multi-rate recurrent modules operating at distinct temporal scales. At each step, coarse-to-fine recurrent states generate latent priors, an implicit one-step predictor refines the state with multiscale latent injections, and a gated fusion with posterior latents enforces scale-consistent updates; a lightweight hidden-state correction further aligns recurrent memories with fused latents. The resulting architecture maintains long-term context on slow manifolds while preserving fast-scale variability, mitigating error accumulation in chaotic rollouts. Across two canonical benchmarks, MSR-HINE yields substantial gains over a U-Net autoregressive baseline: on Kuramoto-Sivashinsky it reduces end-horizon RMSE by 62.8% at H=400 and improves end-horizon ACC by +0.983 (from -0.155 to 0.828), extending the ACC >= 0.5 predictability horizon from 241 to 400 steps; on Lorenz-96 it reduces RMSE by 27.0% at H=100 and improves end horizon ACC by +0.402 (from 0.144 to 0.545), extending the ACC >= 0.5 horizon from 58 to 100 steps.
• Abstract（参考訳）: カオス力学系の長い水平自己回帰予測は、急激な誤差増幅と分布シフトにより依然として困難であり、小さな1ステップの不正確さは、物理的に一貫性のないロールアウトと大規模統計の崩壊に結びついている。 階層型暗黙予測器であるMSR-HINEを導入し、異なる時間スケールで動作させるマルチレート繰り返しモジュールを用いて、マルチスケールの潜伏先行を増大させる。 各ステップにおいて、粗大な再帰状態は潜伏前を発生させ、暗黙の1ステップ予測器は多スケール潜伏注入で状態を洗練し、後続潜伏状態とのゲート融合はスケール一貫性のある更新を実行する。 結果として得られるアーキテクチャは、遅い多様体の長期的コンテキストを維持しながら、高速なスケールの変動を保ち、カオス的なロールアウトにおけるエラーの蓄積を緩和する。 2つの標準ベンチマークにおいて、MSR-HINEはU-Net自己回帰ベースラインに対して実質的な利得を得る: 倉本-シヴァシンスキーでは、H=400で62.8%減少し、+0.983(-0.155から0.828)で、ACC >=0.5予測可能性の地平線を241から400ステップまで、ローレンツ-96ではH=100で27.0%減少し、ACC >=0.5の地平線を+0.402(0.144から0.545)で改善し、ACC >=0.5の地平線を58から100ステップまで延長する。

関連論文リスト

• A multimodal Transformer for InSAR-based ground deformation forecasting with cross-site generalization across Europe [3.3295066998131637]
  EGMS時系列からの変位マップの1段階, 固定区間次エポシック・コンポーティングのためのパッチベースの変換器を提案する。 このモデルは、トレーニングウィンドウからのみリークセーフな方法で計算された静的運動指標(平均速度、加速度、季節振幅)とともに、最近の変位スナップショットを取り込みます。 一方、STGCNはCNN-LSTM、CNN-LSTM+Attn、Multimodal STGCNよりも明らかに優れている。
  論文  参考訳（メタデータ） (2025-12-30T00:07:36Z)
• Plug-and-Play Homeostatic Spark: Zero-Cost Acceleration for SNN Training Across Paradigms [40.57310813106791]
  スパイキングニューラルネットワークは、イベント駆動計算、スパースアクティベーション、ハードウェア効率を提供するが、トレーニングはしばしばゆっくりと収束し、安定性に欠ける。 AHSAR(Adaptive Homeostatic Spiking Activity Regulation)は,超簡易なプラグインおよびトレーニングパラダイムである。 AHSARは最適化を安定化し、モデルアーキテクチャや損失、勾配を変更することなく収束を加速する。
  論文  参考訳（メタデータ） (2025-12-04T17:26:46Z)
• Unifying Sign and Magnitude for Optimizing Deep Vision Networks via ThermoLion [0.0]
  現在のパラダイムは、情報チャネルドリフトパラメータに静的な妥協を課している。 我々は「低次元」探索モデルと「低次元」動的アライメントフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-01T17:04:17Z)
• Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization [6.908972852063454]
  時間的行動の局所化は、正確な境界検出と計算効率の両方を必要とする。 我々は、境界距離回帰(BDR)と適応時間制限(ATR)という2つの補完的なイノベーションを通じてこの問題に対処する。 THUMOS14では、ActionFormer++ (55.7% mAP@0.7 at 235G) よりも36%少ないFLOPを用いて、151GのFLOPで56.5% mAP@0.7を達成する。
  論文  参考訳（メタデータ） (2025-11-06T00:41:54Z)
• Interpretable AI for Time-Series: Multi-Model Heatmap Fusion with Global Attention and NLP-Generated Explanations [1.331812695405053]
  本稿では,ResNetが生成するヒートマップと,グローバルに重み付けされた入力サリエンシを備えた再構成された2次元変換器を統合することで,モデル解釈可能性を向上させる新しいフレームワークを提案する。 本手法は、勾配重み付きアクティベーションマップ(ResNet)とトランスフォーマーのアテンションロールアウトを統合可視化にマージし、空間的・時間的アライメントを実現する。 臨床(ECG不整脈検出)および産業データセットに関する実証的評価は,有意な改善を示した。
  論文  参考訳（メタデータ） (2025-06-30T20:04:35Z)
• Understanding Warmup-Stable-Decay Learning Rates: A River Valley Loss Landscape Perspective [66.80315289020487]
  Warmup-Stable-Decay (WSD) スケジュールは、一定の学習率を使用して、所定の計算予算なしで無限に継続できるイテレーションのメインブランチを生成する。 プレトレーニング損失は,河底に川がある深い谷に類似した河谷景観を呈することを示す。 この理論にインスパイアされたWSD-Sは、従来のチェックポイントの崩壊フェーズを再利用し、メインブランチを1つだけ保持するWSDの変種である。
  論文  参考訳（メタデータ） (2024-10-07T16:49:39Z)
• Distributed Stochastic Gradient Descent with Staleness: A Stochastic Delay Differential Equation Based Framework [56.82432591933544]
  分散勾配降下(SGD)は、計算リソースのスケーリング、トレーニング時間の短縮、マシンラーニングにおけるユーザのプライバシ保護の支援などにより、近年注目されている。 本稿では,遅延微分方程式(SDDE)と勾配到着の近似に基づく分散SGDの実行時間と安定化について述べる。 活性化作業員の増加は, 安定度による分散SGDを必ずしも加速させるものではないことが興味深い。
  論文  参考訳（メタデータ） (2024-06-17T02:56:55Z)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)

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。