論文の概要: LSTM Variants for Chaotic Dynamical Systems: An Empirical Study on the Lorenz Attractor
- arxiv url: http://arxiv.org/abs/2606.22662v1
- Date: Sun, 21 Jun 2026 20:39:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 07:49:53.412445
- Title: LSTM Variants for Chaotic Dynamical Systems: An Empirical Study on the Lorenz Attractor
- Title（参考訳）: カオス力学系のためのLSTMバリアント:ローレンツアクチュエータの実証的研究
- Authors: Ruslan Gokhman,
- Abstract要約: 本稿では,AI-DEEDS 2026 Chaotic Systems Challengeのための7つの繰り返しおよび畳み込みアーキテクチャについて検討する。
我々は、45.72から58.81の間のリーダーボードスコアを取得し、BiLSTMはハマーの損失を最強の設定とする訓練を受けた。
その結果, (i) 単方向ベースライン劣化に対する付加的な注意を10点以上加え, (ii) CNNフロントエンドをLSTMまたはBiLSTMに先行させると, スコアがわずかに損なわれることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting chaotic dynamical systems such as the Lorenz attractor is notoriously difficult: small numerical errors are amplified exponentially over long autoregressive rollouts. We study seven recurrent and convolutional architectures for the AI-DEEDS 2026 Chaotic Systems Challenge: a vanilla LSTM, an LSTM with additive attention, a Bidirectional LSTM (BiLSTM), a BiLSTM trained with the Huber loss, a Temporal Convolutional Network (TCN), a CNN front-end followed by an LSTM, and a CNN front-end followed by a BiLSTM. All models share the same pre-processing, sequence length, and rollout procedure, isolating the contribution of each design choice. The challenge scores predictions on a 0-100 scale where higher is better. We obtain leaderboard scores between 45.72 and 58.81, with the BiLSTM trained with Huber loss being the strongest configuration. Two findings stand out: (i) adding additive attention to the unidirectional baseline degraded performance by over ten points, and (ii) prepending a CNN front-end to either an LSTM or a BiLSTM did not help and slightly hurt the score. Per-pair RMSE measurements confirm that the BiLSTM family generalizes better in the harder pairs (6-7), while the LSTM + Attention model collapses there (RMSE up to 8.94 on pair 6). We discuss why bidirectional context and a robust loss help in chaotic regimes while attention and CNN front-ends fail in this setting.
- Abstract（参考訳）: ローレンツ引力子のようなカオス力学系の予測は非常に困難であり、小さな数値誤差は長い自己回帰ロールアウトに対して指数関数的に増幅される。
AI-DEEDS 2026 Chaotic Systems Challenge: a vanilla LSTM, a Bidirectional LSTM (BiLSTM), a BiLSTM, a Temporal Convolutional Network (TCN), a CNN front-end, a LSTM, and a CNN front-end, a BiLSTM。
すべてのモデルは、同じ前処理、シーケンス長、ロールアウト手順を共有し、それぞれの設計選択の貢献を分離する。
この課題は、高い値がよい0-100スケールで予測をスコア付けする。
我々は、45.72から58.81の間のリーダーボードスコアを取得し、BiLSTMはハマーの損失を最強の設定とする訓練を受けた。
2つの発見が浮かび上がっています。
一 単方向ベースライン劣化性能に十点以上の付加的注意を加えて
(II) CNNのフロントエンドをLSTMかBiLSTMに当てはめるのに役に立たず、スコアをわずかに傷つけた。
ペア当たりのRMSE測定では、BiLSTMファミリーはより硬いペア(6-7)でより一般化し、LSTM+アテンションモデルはそこで崩壊する(RMSEは6対8.94まで)。
このような状況下で、双方向のコンテキストとロバストな損失が、注目とCNNのフロントエンドが失敗する一方で、カオス的な状況になぜ役立つのかについて議論する。
関連論文リスト
- MIS-LSTM: Multichannel Image-Sequence LSTM for Sleep Quality and Stress Prediction [0.0]
MIS-LSTMは、睡眠品質とストレス予測のためのLSTMシーケンスモデルでCNNエンコーダと結合するハイブリッドフレームワークである。
UALREは不確実性を認識したアンサンブルであり、自信の低い多数決と自信の強い個人の予測を覆す。
論文 参考訳（メタデータ） (2025-09-14T12:19:04Z) - Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。
症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。
臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-20T01:58:45Z) - VecLSTM: Trajectory Data Processing and Management for Activity Recognition through LSTM Vectorization and Database Integration [1.1701842638497677]
VecLSTMは、LSTMベースのニューラルネットワークの性能と効率を高める新しいフレームワークである。
VecLSTMはベクトル化層を導入し、最適化された数学的演算を利用して入力シーケンスをより効率的に処理する。
論文 参考訳（メタデータ） (2024-09-28T06:22:44Z) - Deep Learning Calabi-Yau four folds with hybrid and recurrent neural network architectures [0.0]
本稿では,ハイブリッド畳み込み再帰型ニューラルネットワークアーキテクチャに基づくディープラーニングを,h1,1,h2,1,h3,1,h2,2$のデータセットに適用する。
CNN-LSTM-400は、LSTMの隠蔽サイズ400のハイブリッドCNN-LSTMである。
72%のトレーニング比と比較して、精度は99.85%、98.66%、96.26%、84.77%に向上した。
論文 参考訳（メタデータ） (2024-05-27T17:55:05Z) - Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis
Using Sequential Multisequence MRI [0.0]
多発性硬化症(MS)患者のMRIにおける各時点の時系列的関連性についてLSTMモデルを用いて検討した。
我々の仮説は、量子モデルは競争力のある性能を提供するというものである。
論文 参考訳（メタデータ） (2024-01-22T17:14:47Z) - Short-Term Aggregated Residential Load Forecasting using BiLSTM and
CNN-BiLSTM [0.3499870393443268]
短期的な住宅負荷予測が注目の的となっている。
最近、この問題に対処するためにディープニューラルネットワークが活用されている。
本稿では、双方向長短期メモリ(BiLSTM)と畳み込みニューラルネットワークに基づくBiLSTMの機能について検討する。
論文 参考訳（メタデータ） (2023-02-10T03:11:02Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - End-to-end LSTM based estimation of volcano event epicenter localization [55.60116686945561]
火山イベントの局所化問題に対処するために, エンドツーエンドのLSTMスキームを提案する。
LSTMは、時間変化の信号のダイナミクスを捉えることができるため、選択された。
その結果、LSTMベースのアーキテクチャは成功率、すなわち1.0Km未満のエラーが48.5%に等しいことを示した。
論文 参考訳（メタデータ） (2021-10-27T17:11:33Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳（メタデータ） (2020-10-01T17:51:49Z) - High-Accuracy and Low-Latency Speech Recognition with Two-Head
Contextual Layer Trajectory LSTM Model [46.34788932277904]
我々は,高精度かつ低遅延自動音声認識のための従来のハイブリッドLSTM音響モデルの改良を行った。
高い精度を達成するために、時間的モデリングとターゲット分類タスクを分離する文脈層トラジェクトリLSTM(cltLSTM)を用いる。
シーケンスレベルの教師学生学習による学習戦略をさらに改善する。
論文 参考訳（メタデータ） (2020-03-17T00:52:11Z) - Depth-Adaptive Graph Recurrent Network for Text Classification [71.20237659479703]
S-LSTM(Sentence-State LSTM)は、高効率なグラフリカレントネットワークである。
そこで本研究では,S-LSTMの深度適応機構を提案する。
論文 参考訳（メタデータ） (2020-02-29T03:09:55Z)
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。