面向含极端事件动力学可扩展预测的最优集成深度学习框架
机器学习
2021-12-08 v1
摘要
深度学习模型与集成方法所具有的卓越灵活性与适应性，促使它们在理解众多物理现象中的应用大量涌现。传统上，这两种技术在实际应用中多被视为相互独立的方法。本研究提出了一种最优集成深度学习（OEDL）框架，将这两种机器学习技术联合使用，以实现模型准确性、稳定性、可扩展性和可重复性的协同提升，从而推动动力学预测应用的新浪潮。不可预测性被视为混沌动力学的关键特征之一，因此非线性系统此类动力学的预测是科学界的相关问题。当极端事件的预测成为我们的关注焦点时，这一问题变得更具挑战性。在此情形下，所提出的基于前馈神经网络、储备池计算和长短期记忆的最佳凸组合之OEDL模型，可在推进含极端事件动力学的预测中发挥关键作用。该组合框架在数值模拟与真实世界数据集上均能生成优于单个深度学习器及标准集成框架的最佳样本外性能。我们展示了OEDL框架在预测Lienard型系统生成的极端事件、巴西COVID-19病例、圣胡安登革热病例以及Nino 3.4区域海表温度方面的卓越性能。
引用
@article{arxiv.2106.08968,
title = {Optimized ensemble deep learning framework for scalable forecasting of dynamics containing extreme events},
author = {Arnob Ray and Tanujit Chakraborty and Dibakar Ghosh},
journal= {arXiv preprint arXiv:2106.08968},
year = {2021}
}
备注
14 pages, 8 figures, any comments are welcome