Core Concepts
ニューラルオペレーターを訓練して、ノイズの影響下でもカオスアトラクターの時不変な統計的性質を保存する。
Abstract
本論文は、カオスシステムのニューラルオペレーターを訓練する新しい手法を提案している。カオスシステムでは、初期条件に対する高感度のため、長期予測が困難になる。そのため、従来の二乗誤差損失関数を最小化する手法では、長期的な統計的性質を捉えられない。
本論文では、2つの新しい手法を提案している:
最適輸送に基づくアプローチ:
専門家の知識に基づいて、カオスアトラクターの重要な統計量を選択する。
選択した統計量の分布を、ニューラルオペレーターの出力と一致させるよう、最適輸送距離を最小化する損失関数を定義する。
対比学習に基づくアプローチ:
事前知識がない場合でも、多環境学習を利用して、関連する不変統計量を自動的に学習する。
学習した特徴量を用いて、ニューラルオペレーターの損失関数を定義する。
これらの手法により、ノイズの影響下でも、カオスアトラクターの統計的性質を正確に再現できることを示している。
Stats
短期予測の二乗誤差が大きくなるほど、カオスアトラクターの不変統計量の誤差は小さくなる
ノイズ強度が大きいほど、二乗誤差は急激に悪化するが、不変統計量の誤差は緩やかに悪化する
Quotes
"カオスシステムでは、初期条件に対する高感度のため、長期予測が困難になる。"
"従来の二乗誤差損失関数を最小化する手法では、長期的な統計的性質を捉えられない。"