Ин-Ченг Лай: Неконтролируемое обучение для прогнозирования критических переходов
Автор: Machine Learning and Dynamical Systems Seminar
Загружено: 2026-02-23
Просмотров: 52
Описание:
Название: Обучение без учителя для прогнозирования критических переходов
Докладчик: Ин-Ченг Лай (Университет штата Аризона)
Аннотация:
В приложениях часто возникает проблема прогнозирования, когда интересующая система ранее не встречалась, а наблюдения могут быть сделаны только один раз. Можно ли точно восстановить динамику? Мы решаем эту задачу, разрабатывая гибридную схему, сочетающую трансформер и резервуарные вычисления. Трансформер обучается без использования данных целевой системы, а с использованием практически неограниченного количества синтетических данных из известных хаотических систем. Затем обученный трансформер тестируется с использованием разреженных данных целевой системы, а его выходные данные подаются в резервуарный компьютер для прогнозирования его долгосрочной динамики или аттрактора. Предложенная гибридная структура машинного обучения тестируется с использованием различных прототипических нелинейных систем, демонстрируя, что динамику можно точно восстановить из достаточно разреженных данных. Эта структура предоставляет парадигму восстановления сложной и нелинейной динамики в ситуации, когда обучающие данные отсутствуют, а наблюдения случайны и разрежены.
Повторяем попытку...
Доступные форматы для скачивания:
Скачать видео
-
Информация по загрузке:
