从历史数据中学习：利用基于历史数据的机器学习训练数据预测临界转变
数据分析、统计与概率
2024-10-15 v1 机器学习
摘要
复杂系统可发生临界转变，其中缓慢变化的环境条件会触发 sudden 转变到新的、 potentially 灾难性状态。这些事件的早期警示信号对于生态学、生物学和气候科学等领域的决策至关重要。源动力学理论所激发的通用早期警示信号在处理真实噪声数据时效果不佳。更近期的研究发现，基于合成数据的深度学习分类器可提高性能。然而，这些方法均未利用历史的、系统特定的数据。本文提出一种方法，即基于历史数据所生成的替代数据的机器学习分类器训练方法（SDML）。该方法在来自地质学、气候学、社会学和心血管学的经验和实验数据中提供更高的灵敏度和特异度的早期警示信号，优于两种广泛使用的通用早期警示信号，即方差和滞后1自相关。由于该方法直接在历史数据的替代数据上进行训练，不受局部分岔假设的限制，因而可为改进早期警示信号提供系统特定的解决方案，从而帮助人类更好地准备或避免不可取的临界转变。
引用
@article{arxiv.2410.09707,
title = {Learning from the past: predicting critical transitions with machine learning trained on surrogates of historical data},
author = {Zhiqin Ma and Chunhua Zeng and Yi-Cheng Zhang and Thomas M. Bury},
journal= {arXiv preprint arXiv:2410.09707},
year = {2024}
}