論文の概要: Adaptive Reservoir Computing for Multi-Scenario Chaotic System Forecasting

• arxiv url: http://arxiv.org/abs/2605.28145v1
• Date: Wed, 27 May 2026 08:27:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.89214
• Title: Adaptive Reservoir Computing for Multi-Scenario Chaotic System Forecasting
• Title（参考訳）: マルチシナリオカオスシステム予測のための適応型貯留層計算
• Authors: Shadmehr Zaregarizi, Khashayar Yavari,
• Abstract要約: CTF-4-Science Lorenzベンチマークのための適応型貯水池計算フレームワークを提案する。 本研究では,Echo State Networks(ESNs)のトレーニングおよび予測手順を,各評価シナリオの特定の要求に合わせて調整する。 提案したフレームワークは、公開ベンチマークのリーダーボードで74.91のスコアを達成している。
• 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: We present an adaptive reservoir computing framework for the CTF-4-Science Lorenz benchmark, which evaluates machine learning models across twelve distinct tasks spanning five qualitatively different scenarios: baseline forecasting, noisy signal reconstruction, forecasting under noise, few-shot learning, and parametric generalization. Rather than applying a uniform inference strategy, we tailor the training and prediction procedure of Echo State Networks (ESNs) to the specific demands of each evaluation scenario. Our key contributions are fourfold: (1) exact reservoir state synchronization that eliminates warmup approximation error in short-time prediction; (2) histogram-guided candidate selection that directly optimizes the long-time ergodic evaluation metric; (3) multi-seed reservoir search for few-shot regimes with severely limited training data; and (4) sequential multi-sequence training that resolves state-distribution mismatch in parametric generalization tasks. The proposed framework achieves a score of 74.91 on the public benchmark leaderboard, demonstrating that carefully adapted reservoir computing constitutes a competitive and computationally efficient approach for diverse chaotic system modeling challenges.
• Abstract（参考訳）: CTF-4-Science Lorenzベンチマークのための適応型貯水池計算フレームワークを提案し、ベースライン予測、ノイズ信号再構成、雑音下での予測、少数ショット学習、パラメトリック一般化という5つの定性的なシナリオにまたがる12の異なるタスクにわたる機械学習モデルを評価する。 均一な推論戦略を適用するのではなく、各評価シナリオの特定の要求に応じて、Echo State Networks(ESNs)のトレーニングと予測手順を調整する。 本研究の主な貢献は,(1)短時間予測におけるウォームアップ近似誤差を除去する正確な貯水池状態同期,(2)長期エルゴード評価指標を直接最適化するヒストグラム誘導候補選択,(3)厳密な訓練データを持つ少数ショット状態のマルチシージド貯水池探索,(4)パラメトリック一般化タスクにおける状態分布ミスマッチを解決するシーケンシャルマルチシーケンストレーニングである。 提案手法は, 種々のカオスシステムモデリング課題に対して, 慎重に適応された貯水池計算が, 競争的かつ計算的に効率的なアプローチであることを示す, 一般ベンチマークのリーダーボード上で74.91のスコアを達成している。

関連論文リスト

• CaReTS: A Multi-Task Framework Unifying Classification and Regression for Time Series Forecasting [7.600702118055632]
  CaReTSは、分類と回帰タスクを組み合わせた新しいマルチタスク学習フレームワークである。 4つの変種(CaReTS1--4)がこのフレームワークの下でインスタンス化され、主流の時間モデリングエンコーダが組み込まれる。 実世界のデータセットの実験では、CaReTSが精度を予測するために最先端(SOTA)アルゴリズムより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-11-12T22:43:40Z)
• 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)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• Optimizing accuracy and diversity: a multi-task approach to forecast combinations [0.0]
  両問題を同時に解くことに焦点を当てたマルチタスク最適化パラダイムを提案する。 標準的な機能ベースの予測アプローチに、さらなる学習と最適化のタスクが組み込まれている。 提案手法は,特徴に基づく予測において,多様性の本質的な役割を引き出すものである。
  論文  参考訳（メタデータ） (2023-10-31T15:26:33Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
  非決定論的分布を前提とした新しい学習パラダイムを提案する。 提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-31T05:19:38Z)
• Ensembles of Randomized NNs for Pattern-based Time Series Forecasting [0.0]
  本稿では,ランダム化ニューラルネットワークに基づくアンサンブル予測手法を提案する。 時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに適している。 4つの実世界の予測問題に対するケーススタディにより,提案手法の有効性と性能が検証された。
  論文  参考訳（メタデータ） (2021-07-08T20:13:50Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。