論文の概要: In-context learning to predict critical transitions in dynamical systems
- arxiv url: http://arxiv.org/abs/2605.12308v1
- Date: Tue, 12 May 2026 15:56:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.989168
- Title: In-context learning to predict critical transitions in dynamical systems
- Title（参考訳）: 動的システムの臨界遷移を予測するインコンテキスト学習
- Authors: Yunus Sevinchan, Juan Nathaniel, Kai Ueltzhöffer, Carla Roesch, Tobias Weber, Vaios Laschos, Hang Fan, Gregor Ramien, Johannes Haux, Pierre Gentine, Benjamin Herdeanu,
- Abstract要約: 本稿では,システムの臨界遷移近さを推定するコンテキスト内学習フレームワークであるTipPFNを紹介する。
我々は、未確認のチップ状態における臨界遷移の堅牢な最先端早期検出を実証する。
- 参考スコア（独自算出の注目度）: 3.9458626988686007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Critical transitions - abrupt, often irreversible changes in system dynamics - arise across human and natural systems, often with catastrophic consequences. Real-world observations of such shifts remain scarce, preventing the development of reliable early warning systems. Conventional statistical and spectral indicators, such as increasing variance, tend to fail under realistic conditions of limited data and correlated noise, whereas existing deep learning classifiers do not extrapolate beyond their training data distribution. In this work, we introduce TipPFN, an in-context learning (ICL) framework that uses a prior-data fitted network to infer a system's proximity to a critical transition. Trained on our novel synthetic data generator, which is based on canonical bifurcation scenarios coupled to diverse, randomized stochastic dynamics, TipPFN flexibly capitalizes on contexts of various sizes, complexity and dimensionalities. We demonstrate robust, state-of-the-art early detection of critical transitions in previously unseen tipping regimes, sim-to-real examples, and real-world observations in both ICL and zero-shot settings.
- Abstract（参考訳）: 臨界遷移 - 急激な、しばしば不可逆的なシステムダイナミクスの変化 - は、人間と自然のシステムにまたがって起こり、しばしば破滅的な結果をもたらす。
このようなシフトの実際の観測は少ないままであり、信頼性の高い早期警報システムの開発を妨げている。
ばらつきの増加などの従来の統計的およびスペクトル指標は、限られたデータと相関ノイズの現実的な条件下では失敗する傾向にあるが、既存のディープラーニング分類器はトレーニングデータ分布を超えて外挿しない。
そこで本研究では,先行データ付きネットワークを用いて,システムの臨界遷移近さを推定する,コンテキスト内学習(ICL)フレームワークであるTipPFNを紹介する。
TipPFNは, 様々な大きさ, 複雑さ, 次元の文脈を柔軟に活用し, 多様なランダム化確率力学に結合した正準分岐シナリオに基づく新しい合成データ生成装置を訓練した。
ICLとゼロショットの両方の設定で、これまで目に見えなかったチップ方式、sim-to-real例、実世界の観測において、最先端のトランジションの堅牢かつ最先端の早期検出を実証する。
関連論文リスト
- Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。
CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。
彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
論文 参考訳（メタデータ） (2026-02-10T11:46:15Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Echoes Before Collapse: Deep Learning Detection of Flickering in Complex Systems [0.36165327398913766]
畳み込み長短期記憶(CNN LSTM)モデルがフリックリングパターンを正確に識別できることを示す。
これらの結果から,ディープラーニングは雑音の非線形時系列から早期警告信号を抽出できることが示唆された。
論文 参考訳（メタデータ） (2025-09-04T22:06:30Z) - Neural models for prediction of spatially patterned phase transitions: methods and challenges [0.37282630026096597]
早期警告信号(EWS)検出は、今後のクリティカルトランジションの動的シグネチャを識別する可能性を示唆している。
本稿では,空間的位相パターン遷移に対するニューラルEWS検出の成功と欠点について検討する。
論文 参考訳（メタデータ） (2025-05-14T18:24:15Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
C$2$TSDという条件拡散フレームワークを導入する。
実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2024-02-18T11:59:04Z) - 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) - Modeling Spatio-temporal Dynamical Systems with Neural Discrete Learning
and Levels-of-Experts [33.335735613579914]
本稿では,ビデオフレームなどの観測結果に基づいて,時間・動的システムの状態変化をモデル化し,推定することの課題に対処する。
本稿では、一般的な物理プロセスの法則をデータ駆動方式で捉えるために、ユニバーサルエキスパートモジュール、すなわち光フロー推定コンポーネントを提案する。
我々は、既存のSOTAベースラインと比較して、提案フレームワークが大きなパフォーマンスマージンを達成することを示すため、広範囲な実験と改善を実施している。
論文 参考訳（メタデータ） (2024-02-06T06:27:07Z) - Universal Early Warning Signals of Phase Transitions in Climate Systems [0.586336038845426]
2次元イジングモデル相転移に特化して訓練されたディープニューラルネットワークは、現実およびシミュレーションされた多くの気候システムでテストされている。
精度は従来の統計指標を上回り、空間的指標を含ませることで連続的に性能が向上することが示されている。
論文 参考訳（メタデータ） (2022-05-31T19:07:15Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-16T18:39:04Z)
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。