混沌系统的迁移学习
神经与进化计算
2021-02-23 v1 混沌动力学
摘要
由系统 A 的时间序列训练的神经网络能否用于预测系统 B 的演化？这一广义上称为迁移学习的问题在机器学习与数据挖掘中十分重要，但在混沌系统中尚未被探讨。本文从基于同步的状态推断视角研究混沌系统的迁移学习，其中由混沌系统 A 训练的储备池计算机用于推断混沌系统 B 的未测变量，而 A 与 B 在参数或动力学上不同。研究发现，若系统 A 与 B 参数不同，储备池计算机可与系统 B 良好同步；但若动力学不同，储备池计算机通常无法与系统 B 同步。我们还研究了沿耦合储备池计算机链的知识迁移，发现尽管各储备池计算机由不同系统训练，驱动系统的未测变量仍可被远端储备池计算机成功推断。最后，通过混沌摆实验表明，从建模系统学到的知识可用于预测实验系统的演化。
引用
@article{arxiv.2011.09970,
title = {Transfer learning of chaotic systems},
author = {Yali Guo and Han Zhang and Liang Wang and Huawei Fan and Xingang Wang},
journal= {arXiv preprint arXiv:2011.09970},
year = {2021}
}
备注
20 pages, 8 figures