Core Concepts
Eine neue Methode zur probabilistischen Vorhersage dynamischer Systeme, die auf generativen Modellen basiert, die den aktuellen Systemzustand auf eine Verteilung möglicher zukünftiger Zustände abbilden. Dazu werden stochastische Differentialgleichungen verwendet, die effizient trainiert und angepasst werden können.
Abstract
Die Autoren stellen einen Rahmen für probabilistische Vorhersagen dynamischer Systeme vor, der auf generativen Modellen basiert. Ausgehend von Beobachtungen des Systemzustands über die Zeit formulieren sie das Vorhersageproblem als Sampling aus der bedingten Verteilung des zukünftigen Systemzustands gegeben den aktuellen Zustand.
Dazu nutzen sie das Konzept der stochastischen Interpolanten, das den Aufbau eines generativen Modells zwischen einer beliebigen Basisverteilung und der Zielverteilung ermöglicht. Sie entwerfen eine fiktive, nicht-physikalische stochastische Dynamik, die den aktuellen Systemzustand als Anfangsbedingung nimmt und in endlicher Zeit und ohne Verzerrung eine Stichprobe aus der Zielverteilung erzeugt.
Die Autoren beweisen, dass der Driftkoeffizient dieser stochastischen Differentialgleichung (SDE) nicht-singulär ist und effizient durch quadratische Verlustregression über die Zeitreihendaten gelernt werden kann. Sie zeigen auch, dass Drift und Diffusionskoeffizienten dieser SDE nach dem Training angepasst werden können und dass eine spezielle Wahl, die den Einfluss des Schätzfehlers minimiert, einen Föllmer-Prozess ergibt.
Die Nützlichkeit des Ansatzes wird anhand mehrerer komplexer, hochdimensionaler Vorhersageprobleme, einschließlich stochastisch erzwungener Navier-Stokes-Gleichungen und Videoprognose, hervorgehoben.
Stats
Die Autoren verwenden Zeitreihendaten, um die Drift-Koeffizienten der stochastischen Differentialgleichungen zu lernen.
Quotes
Keine relevanten Zitate identifiziert.