論文の概要: A comparative study of accuracy and rollout stability of temporal surrogate models

• arxiv url: http://arxiv.org/abs/2605.24868v1
• Date: Sun, 24 May 2026 04:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.484747
• Title: A comparative study of accuracy and rollout stability of temporal surrogate models
• Title（参考訳）: 時間的代理モデルの精度とロールアウト安定性の比較研究
• Authors: Rajarshi Biswas,
• Abstract要約: 時間的代理モデルは計算コストが禁じられるようなカオス力学系の予測に有効である。 この作業では、一般的なトレーニングプロトコルを使用して、いくつかの一般的なアーキテクチャを比較します。 二重振り子, 倉本-シヴァシンスキー方程式, コルモゴロフ流の3つの問題について実験を行った。
• 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: Temporal surrogate models are effective for predicting chaotic dynamical systems where computational cost can be prohibitive. Several deep neural network architectures can be used for such purposes. In this work, a few commonly used architectures are compared using a common training protocol. The objective is to fairly assess the impact of model architectures for long-horizon prediction stability. Experiments are carried out for three problems, the double pendulum, the Kuramoto-Sivashinsky equations, and the Kolmogorov flow. The experiments are carried out with matching model capacity. Analysis is also carried out for a scenario where each model is individually optimized. It is observed that in both scenarios, the models exhibit categorical differences in long-horizon rollouts. For a concrete quantification, stepwise error injections and perturbation amplifications are analyzed using metrics such as local jacobian, relative one-step bias, and finite-time Lyapunov growth. Additionally, an attractor analysis is also conducted to assess how well the learned models replicate the underlying system geometry. An ablation study to isolate the impact of each component of a continuous-update architecture is also carried out. It is concluded that models that having integrator-like updates show lower bias and perturbation amplification yielding stable long-horizon rollout and more accurate predictions.
• Abstract（参考訳）: 時間的代理モデルは計算コストが禁じられるようなカオス力学系の予測に有効である。 このような目的のために、いくつかのディープニューラルネットワークアーキテクチャを使用することができる。 この作業では、一般的なトレーニングプロトコルを使用して、いくつかの一般的なアーキテクチャを比較します。 その目的は、長期の予測安定性に対するモデルアーキテクチャの影響を適切に評価することである。 二重振り子, 倉本-シヴァシンスキー方程式, コルモゴロフ流の3つの問題について実験を行った。 実験はモデルキャパシティに合わせて実施される。 また、各モデルを個別に最適化するシナリオについても分析を行う。 いずれのシナリオにおいても,ロングホライズンロールアウトにおいて,モデルが分類的差異を示すことが観察された。 具体的な定量化のために, 局所ジャコビアン, 相対的な一段階偏差, 有限時間リアプノフ成長などの指標を用いて, 段階的誤差注入と摂動増幅を解析した。 さらに、学習したモデルが基礎となるシステム形状をいかにうまく再現するかを評価するために、アトラクタ解析を行う。 連続更新アーキテクチャの各コンポーネントの影響を分離するためのアブレーション研究も行っている。 インテグレータのような更新を行うと、バイアスと摂動増幅が小さくなり、安定な長水平ロールアウトとより正確な予測が得られると結論付けている。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Characteristic Root Analysis and Regularization for Linear Time Series Forecasting [9.254995889539716]
  時系列予測は多くの領域において重要な課題である。 近年の研究では、単純な線形モデルの驚くほどの競争性が強調されている。 本稿では時間力学における特性根の役割に焦点を当てる。
  論文  参考訳（メタデータ） (2025-09-28T03:06:30Z)
• Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting [0.9208007322096533]
  自動相関誤差を伴う線形回帰における変数選択のためのベイズ的フレームワークを開発する。 本フレームワークは,MSPEの低減,真のモデル成分同定の改善,自動相関ノイズとの整合性の向上を実現している。 既存の手法と比較して,本フレームワークはより低いMSPEを実現し,真のモデル成分の同定が向上し,自動相関ノイズとの整合性が向上する。
  論文  参考訳（メタデータ） (2025-08-12T18:44:36Z)
• Deep incremental learning models for financial temporal tabular datasets with distribution shifts [0.9790236766474201]
  このフレームワークは、単純な基本的なビルディングブロック(決定木)を使用して、必要な複雑さの自己相似モデルを構築する。 我々は,NumeraiデータセットでトレーニングしたXGBoostモデルを用いて提案手法を実証し,異なるモデルスナップショット上での2層のXGBoostモデルの深部アンサンブルが高品質な予測を提供することを示す。
  論文  参考訳（メタデータ） (2023-03-14T14:10:37Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。