A Multi-Branched Radial Basis Network Approach to Predicting Complex Chaotic Behaviours
提出一种结合径向基函数层与注意力机制的多分支神经网络架构,用于预测物理吸引子的复杂混沌动力学行为,在真实数据集上实现了准确的短期轨迹预测。
2024-05-30 cs.CV cs.LG cs.NE
Effective models and predictability of chaotic multiscale systems via machine learning
Università “Sapienza”(罗马第一大学);Istituto dei Sistemi Complessi, CNR(意大利国家研究委员会复杂系统研究所)
我们仔细研究了基于水库计算的机器学习的使用,以建立数据驱动的多尺度混沌系统的有效模型。我们表明,对于宽尺度分离,机器学习生成的有效模型类似于使用多尺度渐近技术获得的模型,并且当尺度分离降低时,在可预测性方面仍然有效。我们还表明,可预测性可以提高杂交的水库与一个不完美的模型。
2020-10-20 cs.LG nlin.AO nlin.CD
Hybrid Forecasting of Chaotic Processes: Using Machine Learning in Conjunction with a Knowledge-Based Model
University of Maryland(马里兰大学);Rice University(莱斯大学);Haverford College(哈弗福德学院)
一种基于模型的方法来预测混沌动力系统,利用控制动力学的物理过程的知识来建立系统的近似数学模型。相比之下,机器学习技术已经证明了纯粹从系统状态变量(训练数据)的过去时间序列测量来预测混沌系统的有希望的结果,而无需系统动态的先验知识。本文的动机是机器学习的潜力,以填补我们的基础机械知识的差距,导致广泛使用的基于知识的模型是不准确的。因此,我们在这里提出了一个通用的方法,利用这两种方法的优点,结合基于知识的模型和机器学习技术,建立一个混合预测方案。这种方法的潜在应用有很多(例如,改善天气预报)。我们证明和测试这种方法的实用性,使用一个特定的说明性版本的机器学习称为储备池计算,我们将得到的混合预测低维混沌系统,以及高维时空混沌系统。这些测试产生了非常有希望的结果,因为我们的混合技术能够准确预测比机器学习组件或基于模型的组件更长的时间。
2018-03-09 cs.LG nlin.CD stat.ML
Inferring bifurcation diagrams of two distinct chaotic systems by a single machine
School of Physics and Information Technology, Shaanxi Normal University, Xi'an 710062, China(陕西师范大学物理与信息技术学院,西安710062,中国);College of Physics and Electronic Information Engineering, Qinghai Normal University, Xining 810008, China(青海师范大学物理与电子信息技术学院,西宁810008,中国);School of Physics and Electronic Science, East China Normal University, Shanghai 200062, China(华东师范大学物理与电子科学学院,上海200062,中国)
本文提出了一种双通道回声状态机方案,利用单一机器推断两种不同混沌系统的动力学,通过增加系统标签通道和参数控制通道,实现从少量采样状态的时间序列中训练,从而重建分岔图。
2026-04-29 cs.LG nlin.CD
Machine-Precision Prediction of Low-Dimensional Chaotic Systems from Noise-Free Data
本研究提出一种基于高阶多项式特征普通最小二乘回归的系统无关方法,用512位算术从无噪声数据对低维混沌系统进行机器精度预测,预测时长远超此前研究,相关结果还可推广到更高维度系统。
2026-08-04 cs.LG math.DS nlin.CD
Incorporating Coupling Knowledge into Echo State Networks for Learning Spatiotemporally Chaotic Dynamics
Graduate School of Informatics, Kyoto University, Kyoto 606-8501, Japan(信息科学研究生学校,京都大学,京都)
本文提出一种结合耦合知识的物理引导聚类回声状态网络,用于高效学习时空混沌动力学系统。
2025-08-15 cs.LG nlin.CD
Machine Learning with Chaotic Strange Attractors
Koç University(科克大学)
本文提出利用混沌非线性吸引子的可编程模拟计算平台,以毫瓦级功耗实现聚类、回归和分类,性能媲美现有机器学习技术。
2023-09-23 cs.LG
'Almost Sure' Chaotic Properties of Machine Learning Methods
D.E.Shaw & Co. India(D.E. Shaw印度公司);Microsoft India(微软印度)
先前已经证明,通用计算“几乎肯定”是混沌的。机器学习是计算不动点迭代的一种形式,在可计算函数空间上迭代。我们展示了这种迭代的一些性质,并建立一般的迭代是“几乎肯定”的混沌性质。该理论解释了深度学习方法的反直觉性质的观察。本文证明了这些性质将是任何学习方法的普遍性。
2014-07-28 cs.AI cs.LG
An Extreme Learning Machine Approach to Predicting Near Chaotic HCCI Combustion Phasing in Real-Time
University of Michigan(密歇根大学)
燃料高效的均质充量压缩点火(HCCI)发动机燃烧正时预测必须应对非线性化学、非线性物理、周期加倍分叉、湍流混合、可能每天漂移的模型参数以及通常不能在循环到循环的基础上(尤其是在瞬态期间)解析的空气燃料混合物状态信息。在以前的工作中,一个抽象的周期到周期的映射函数加上$ε$ -支持向量回归被证明预测实验观察到的周期到周期的燃烧定时在很宽的范围内的发动机条件,尽管上述的一些困难。先前方法的主要限制是使用部分非常规随机采样的训练数据集来训练离线预测的概念证明。本文的目的是通过提出一个新的在线自适应极端学习机(ELM)扩展名为加权环ELM来解决这个限制。这种扩展能够在随机选择的发动机设定点上进行完全因果的燃烧定时预测,并且显示出与之前的离线方法一样好或更好的结果。这种方法的更广泛的目标是使一类新的实时的【形】模型预测控制策略能够用于高可变性HCCI,并最终将HCCI的低发动机排出NOx和减少的CO2排放带到生产发动机。
2015-05-05 cs.CE cs.LG
Machine-learning optimized measurements of chaotic dynamical systems via the information bottleneck
College of Arts & Sciences, University of Pennsylvania(宾夕法尼亚大学文理学院);The Santa Fe Institute(圣塔菲研究所)
该研究将混沌动力系统的“完美测量”等价于信息瓶颈变体,利用机器学习优化测量过程,为多种混沌映射获得近似最优测量,奠定了从一般时间序列高效提取信息的基础。
2024-03-20 cs.IT cs.LG math.IT
Privacy-Preserving Chaotic Extreme Learning Machine with Fully Homomorphic Encryption
Institute for Development and Research in Banking Technology(银行技术发展与研究所);University of Hyderabad(海得拉巴大学)
机器学习和深度学习模型在训练过程中需要大量数据,在某些情况下,可能会有一些敏感数据,例如涉及的客户信息,组织可能会犹豫是否将其外包用于模型构建。一些隐私保护技术,如差分隐私、同态加密和安全多方计算,可以与不同的机器学习和深度学习算法集成,为数据和模型提供安全性。本文提出了一种混沌极限学习机及其加密形式,使用全同态加密,其中的权重和偏差使用Logistic映射而不是均匀分布生成。我们提出的方法在大多数数据集上的表现都比传统的极端学习机更好或相似。
2022-08-04 cs.CR cs.LG
Turning Time Series into Algebraic Equations: Symbolic Machine Learning for Interpretable Modeling of Chaotic Time Series
SAFIR, Sorbonne University Abu Dhabi, UAE(SAFIR,索邦大学阿布扎赫德分校);Sorbonne Center for Artificial Intelligence, Sorbonne University, Paris, France(索邦人工智能中心,索邦大学巴黎分校)
本文提出两种符号预报器,通过学习可解释的代数方程来提升混沌时间序列的预测能力,同时提供透明的模型解释。
2026-03-07 cs.LG nlin.CD physics.data-an
KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra
School of Mathematics and Statistics and Ministry of Education Key Lab of Intelligent Networks and Network Security(数学与统计学学院和教育部智能网络与网络安全重点实验室);School of Mathematics(数学学院)
KoopGen通过结构化的Koopman生成器网络,提升高维连续谱动力系统的预测准确性和稳定性,同时揭示可解释的动力学组成部分。
2026-02-15 cs.LG
Universal replication of chaotic characteristics by classical and quantum machine learning
Capital Normal University(首都师范大学);Center for Quantum Physics and Intelligent Sciences(量子物理与智能科学中心)
本研究提出单步超前预测的机器学习模型可通用复制离散动力系统混沌特征,实验证实变分量子电路比经典LSTM精度更高,揭示了混沌任务ML与标准任务ML的本质差异及量子模型的过拟合缓解优势。
2024-05-14 cs.LG nlin.CD quant-ph
Supervised machine learning based signal demodulation in chaotic communications
Vasyl Stefanyk Precarpathian National University(瓦西里·斯特凡内克前喀尔巴阡国立大学)
针对混沌分岔参数键控,本文提出基于卷积神经网络的监督机器学习解调方法,并在logistic映射、AWGN及20 dB归一化SNR下验证其性能。
2025-04-27 cs.LG eess.SP
Controlling chaotic itinerancy in laser dynamics for reinforcement learning
Saitama University(埼玉大学);Kanazawa University(金泽大学);Japan Science and Technology Agency(日本科学技术振兴机构);The University of Tokyo(东京大学)
光子人工智能在加速机器学习方面引起了人们的极大兴趣;然而,独特的光学特性尚未充分利用来实现更高阶的功能。混沌巡游,其多个准吸引子之间的自发瞬态动力学,可以用来实现类脑功能。在本文中,我们提出了一种方法来控制混沌巡回多模半导体激光器解决机器学习任务,被称为多臂强盗问题,这是强化学习的基础。所提出的方法利用超快混沌巡回运动的模式竞争动力学通过光注入控制。我们发现,探索机制是完全不同于传统的搜索算法,是高度可扩展的,优于传统的方法,大规模的强盗问题。这项研究为利用混沌巡回有效解决复杂的机器学习任务铺平了道路,作为光子硬件加速器。
2022-05-12 cs.LG cs.SY eess.SY
Bayesian inference of chaotic dynamics by merging data assimilation, machine learning and expectation-maximization
Nansen Environmental and Remote Sensing Center(南森环境与遥感中心);Sorbonne University(索邦大学);University of Reading(雷丁大学);Utrecht University(乌得勒支大学)
从高维混沌动力学(如地球物理流)的观测中重建受到以下因素的阻碍:(i)可以实际获得的部分和噪声观测,(ii)需要从长时间序列数据中学习,以及(iii)动力学的不稳定性质。为了从长时间序列的观测中得出这样的推论,有人建议以几种方式将数据同化和机器学习结合起来。我们将展示如何统一这些方法从贝叶斯的角度使用期望最大化和坐标下降。在这样做时,模型、状态轨迹和模型误差统计被一起估计。这些方法的实施和近似进行了讨论。最后,我们数值和成功地测试了两个相关的低阶混沌模型具有不同的可识别性的方法。
2020-03-27 cs.LG physics.ao-ph stat.ML
Using Machine Learning and Neural Networks to Analyze and Predict Chaos in Multi-Pendulum and Chaotic Systems
Aspiring Scholars Directed Research Program(有抱负学者定向研究项目)
本研究评估10种机器学习模型预测多摆混沌系统,发现LSTM在双摆中最佳,VRNN和GRU在三摆中各有优势,为混沌预测提供参考。
2025-04-18 cs.LG nlin.CD physics.comp-ph
Predicting Time-to-Failure of Plasma Etching Equipment using Machine Learning
Austrian Institute of Technology(奥地利技术研究所);Fraunhofer Austria(弗劳恩霍夫奥地利协会);Infineon Technologies Austria AG(英飞凌科技奥地利股份公司)
预测等离子体蚀刻设备的非计划性故障可以减少半导体工业中的维护成本和生产损失。然而,等离子体蚀刻是一个复杂的过程,并且很难在单个物理模型中捕获所有相关设备的属性和行为。机器学习提供了一种基于相关数据点预测即将发生的机器故障的替代方案。在本文中,我们描述了三种不同的机器学习任务,可用于此目的:(i)预测故障时间(TTF),(ii)预测健康状态,(iii)预测设备的TTF间隔。我们的研究结果表明,经过训练的机器学习模型可以在所有三项任务中超越类似人类判断的基准。这表明,机器学习为当前部署的等离子体蚀刻设备维护策略和决策过程提供了可行的替代方案。
2019-04-16 cs.LG stat.ML
CBM-Dual: A 65-nm Fully Connected Chaotic Boltzmann Machine Processor for Dual Function Simulated Annealing and Reservoir Computing
Kyushu Institute of Technology(九州工业大学);Future University Hakodate(公立函馆未来大学)
本文提出CBM-Dual,首个经硅验证的数字混沌动力学处理器,支持模拟退火和回授计算。通过最大规模的全连接1024神经元混沌玻尔兹曼机,实现边缘AI的实时决策和轻量级适应。
2026-04-08 cs.AR cs.LG
Online Machine Learning Techniques for Predicting Operator Performance
Technische Universität Berlin(柏林工业大学)
本论文探讨了一些在线机器学习算法。从理论的角度来看,它评估了他们的就业能力的一个特定的函数逼近问题的分析模型不足。此外,它讨论了applica- tion理论上合适的学习算法的函数逼近问题,通过一个有效的实现,利用各种计算和数学捷径。最后,本文通过严格的测试,根据各种评价标准对所实现的学习算法进行了评价。
2016-05-03 cs.LG
Applying machine learning to improve simulations of a chaotic dynamical system using empirical error correction
University of Oxford(牛津大学)
动态天气和气候预测模型是许多地球系统研究的基础,有望根据物理定律对未来气候变化作出可靠预测。然而,这些模型的模拟与观测相比仍有许多差异。机器学习已被应用于解决某些预测问题,并取得了巨大的成功,最近有人提出,这可以取代物理衍生的动态天气和气候模式的作用,以提供更好的质量模拟。相反,在这里,测试了一个使用机器学习和物理模型的框架,在这个框架中,我们学习了如何从一个时间步到另一个时间步纠正后者的错误。这保持了模型中内置的物理理解,同时允许性能改进,并且还需要更简单的算法和更少的训练数据。这是测试的背景下,模拟混沌洛伦茨'96系统,它表明,该方法产生的模型是稳定的,并提供了改进的技能,在初始化的预测和更好的长期气候统计。然而,长期统计数据的改善小于单一时间步长趋势的改善,这表明制定针对较长时间尺度的改善的方法是有价值的。未来的发展战略,这种方法和可能的应用程序取得进展的重要科学问题进行了讨论。
2019-04-24 cs.LG nlin.CD physics.ao-ph
Predicting Alzheimers Disease Diagnosis Risk over Time with Survival Machine Learning on the ADNI Cohort
Goldsmiths College, University of London(伦敦大学金史密斯学院);University of Manchester(曼彻斯特大学)
本研究利用生存机器学习在ADNI队列上构建模型,不仅预测认知衰退,还预测衰退时间,C-Index达0.86,支持临床预测阿尔茨海默病风险。
2023-06-17 cs.LG
Tabular Machine Learning Methods for Predicting Gas Turbine Emissions
University of Aberdeen(阿伯丁大学);Siemens Energy Industrial Turbomachinery Ltd.(西门子能源工业透平机械有限公司)
本文基于 Siemens Energy 燃气轮机表格数据集,比较 Chemical Kinetics 模型与 SAINT、XGBoost 模型,验证机器学习可提升 NOx 和 CO 排放预测,并分析特征增加与缺失值之间的权衡。
2023-07-17 cs.LG
Modeling chaotic Lorenz ODE System using Scientific Machine Learning
Acko;Vizuara AI Labs(Vizuara AI实验室);Massachusetts Institute of Technology(麻省理工学院);Purdue University(普渡大学)
针对气候建模数据不足的问题,该研究将科学机器学习方法融入基础天气模型,结合物理模型可解释性与神经网络算力,以低数据量实现高精度混沌气候系统建模,推动气候建模向物理信息驱动决策转变。
2024-10-09 cs.AI cs.LG
Predicting college basketball match outcomes using machine learning techniques: some results and lessons learned
KU Leuven(鲁汶大学)
大多数现有的预测NCAAB比赛的工作已经在统计方面。相信机器学习技术的能力,特别是分类学习器,以揭示特征的重要性并学习它们的关系,我们评估了一些不同的范例。在本文中,我们总结了我们的工作,指出属性似乎比模型更重要,而且预测质量似乎有一个上限。
2013-10-14 cs.LG stat.AP
Who will Leave a Pediatric Weight Management Program and When? -- A machine learning approach for predicting attrition patterns
儿童肥胖是一个主要的公共卫生问题。多学科儿科体重管理计划被认为是在初级保健环境中无法成功管理的肥胖和严重肥胖儿童的标准治疗;然而,高辍学率(称为自然减员)是提供成功干预的主要障碍。预测流失模式可以帮助供应商降低流失率。以往的工作主要集中在使用统计分析方法寻找静态预测的流失。在这项研究中,我们提出了一个机器学习模型来预测(a)磨损的可能性,(b)在加入体重管理计划后的不同时间点,儿童的体重指数(BMI)百分位数的变化。我们使用了一个为期五年的数据集,其中包含了大约4,550名儿童的相关信息,这些信息是我们使用Nemours儿科体重管理计划的数据汇编的。我们的模型显示出强大的预测性能,这是由不同任务的高AUROC分数确定的(预测磨损的平均AUROC为0.75,预测体重结果的平均AUROC为0.73)。此外,我们报告了一系列解释性实验中预测磨损和体重结果的主要特征。
2022-03-07 cs.LG
Application of machine learning for predicting the spread of COVID-19
Purdue University(普渡大学)
疾病的传播已被研究多年,但最近由于COVID-19的爆发和传播,它受到了特别的关注。研究表明,COVID-19的传播可以用具有遏制系数(由于隔离和保持社交距离)的易感-传染-死亡-死亡(SIRD)模型来表征。该项目旨在应用机器学习技术来预测COVID-19的严重程度以及隔离、保持社交距离、在家工作和戴口罩对疾病传播的影响。这项工作加深了我们对疾病传播的理解,并揭示了以下政策的重要性。
2022-04-09 cs.LG
Optimize Cash Collection: Use Machine learning to Predicting Invoice Payment
IBM Research(IBM研究院);UFABC(ABC联邦大学)
预测发票付款在多个行业中很有价值,并支持大多数财务工作流程中的决策过程。然而,这一领域的挑战涉及处理复杂的数据,以及缺乏未在应收账款系统中登记的与决策过程有关的数据。这项工作提出了一个原型开发的解决方案,在与跨国银行的合作伙伴关系,以支持收藏家在预测发票付款。该原型系统的识别准确率达到77%,提高了客户的优先级,支持了采集员的日常工作。有了这些结果,人们希望支持研究人员处理发票支付预测问题,以获得如何解决实际数据中存在的问题的见解和示例。
2019-12-20 cs.LG
State, global and local parameter estimation using local ensemble Kalman filters: applications to online machine learning of chaotic dynamics
CEREA(大气环境教学与研究中心);École des Ponts(巴黎桥路学院);EDF R&D(法国电力集团研发中心);LMD/IPSL(动力气象学实验室/皮埃尔-西蒙·拉普拉斯研究所);ENS(巴黎高等师范学院);PSL Université(巴黎文理研究大学);École Polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院);Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心)
在最近的一篇方法论论文中,我们展示了如何使用局部集合卡尔曼滤波器从顺序获得的观测中学习混沌动力学以及状态轨迹。在这里,我们更系统地研究了使用本地集合卡尔曼滤波器的可能性,无论是协方差本地化或局部域,以检索状态和关键的全局和局部参数的混合。全局参数旨在表示替代动力学核心,例如通过神经网络,这让人想起动力学的数据驱动的机器学习,而局部参数通常代表模型的强迫。针对状态和参数估计的联合估计问题,提出了一类协方差和局域定位算法。特别是,我们展示了如何严格更新全局参数使用局部域集合卡尔曼滤波器(EnKF),如本地集合变换卡尔曼滤波器(LETKF),一个固有的本地方法。该方法进行了测试,成功的40变量洛伦兹模型使用几个本地EnKF口味。最后给出了一个基于多层洛伦兹模型的二维例子。它使用类似辐射的非局部观测。它具有局部域和协方差局部化,以学习混沌动力学和局部强迫。本文更一般地解决了在线估计全局和局部模型参数的关键问题。
2022-03-25 cs.LG nlin.CD physics.ao-ph
Characterizing information loss in a chaotic double pendulum with the Information Bottleneck
The Santa Fe Institute(圣塔菲研究所)
混沌动力学的一个标志是信息随时间的损失。虽然信息损失通常通过与李雅普诺夫指数的联系来表示-在关于系统状态的高信息的限制下有效-但这幅图错过了不同粒度级别的信息衰减的丰富频谱。在这里,我们将展示机器学习如何为混沌动力学中的信息丢失研究提供新的机会,并以双摆作为模型系统。我们使用信息瓶颈作为神经网络的训练目标,从系统的状态中提取信息,这些信息是在规定的时间范围后对未来状态的最佳预测。然后,我们分解的最佳预测信息分配的瓶颈,每个状态变量,恢复的相对重要性的变量在确定未来的演变。我们开发的框架广泛适用于混沌系统,并且实用,利用数据和机器学习来监控可预测性的极限并绘制出信息的丢失。
2022-10-25 cs.IT cs.LG math.IT
Multi-Modal Machine Learning Framework for Predicting Early Recurrence of Brain Tumors Using MRI and Clinical Biomarkers
Department of Encephalopathy, Chengdu Pidu District Hospital of Traditional Chinese Medicine(脑病科,成都_pidu区中医医院);Department of Tuina, Chengdu Pidu District Hospital of Traditional Chinese Medicine(推拿科,成都_pidu区中医医院);Wuhan Hospital of Integrated Traditional Chinese and Western Medicine, Affiliated to Hubei University of Chinese Medicine(中西医结合医院,湖北中医药大学附属医院);Department of Electrical and Computer Engineering, Carnegie Mellon University(电气与计算机工程系,卡内基梅隆大学)
针对脑肿瘤术后早期复发预测的临床难题,提出整合结构MRI与临床生物标志物的多模态机器学习框架,采用四种算法并经多指标验证,为风险分层和个性化随访提供工具。
2025-09-01 cs.LG
Predicting Blossom Date of Cherry Tree With Support Vector Machine and Recurrent Neural Network
我们的项目探讨了温度和樱花开花日期之间的关系。通过建模,未来的开花将变得可预测,帮助公众计划旅行并避免花粉季节。为了准确预测樱花的开花日期,可以被视为一个多类分类问题,所以我们应用多类支持向量分类器(SVC)和循环神经网络(RNN),特别是长短期记忆(LSTM),制定问题。最后,我们评估和比较这些方法的性能,找出哪一个可能更适用于现实。
2022-10-10 cs.LG
Continuous Lyapunov Controller and Chaotic Non-linear System Optimization using Deep Machine Learning
Oakland University(奥克兰大学);Saarland University(萨尔大学)
意外的系统扰动和新的系统动态的引入不允许保证连续的系统稳定性。在这项研究中,我们提出了一种新的方法,用于检测非线性高度混沌系统的早期故障指标,并相应地预测最佳参数校准,以使用深度机器学习回归模型来抵消这种不稳定性。所提出的方法连续监测系统和控制器信号。系统和控制器参数的重新校准是根据一组条件触发的,这些条件旨在保持系统稳定性,而不影响系统速度、预期结果或所需处理能力。深度神经模型预测最能抵消预期系统不稳定性的参数值。为了证明所提出的方法的有效性,它被应用到Duffing Van der pol振子的非线性复杂组合。该方法还在不同的情况下进行了测试,系统和控制器参数最初选择不正确,或系统参数在运行时发生变化,或在运行时引入新的系统动态来测量有效性和反应时间。
2021-10-31 cs.AI cs.LG cs.SY
Predicting Participation in Cancer Screening Programs with Machine Learning
Gyeonggi Suwon International School(京畿水原国际学校)
在本文中,我们提出了机器学习模型的基础上,随机森林分类器,支持向量机,梯度提升决策树,人工神经网络预测参与癌症筛查计划在韩国。表现最好的模型是基于梯度提升决策树,并实现了0.8706的受试者工作特征曲线下面积(AUC-ROC)和0.8776的平均精度。这项研究的结果是令人鼓舞的,并表明,随着进一步的研究,这些模型可以直接应用于韩国的医疗保健系统,从而增加韩国的国家癌症筛查计划的参与。
2021-01-27 cs.LG q-bio.OT
Chaotic Variational Auto encoder-based Adversarial Machine Learning
School of Computer Science And Information Sciences, University of Hyderabad(海得拉巴大学计算机科学与信息科学学院)
机器学习(Machine Learning,ML)已经成为几乎所有领域的新发明。这使得它们成为各种对手攻击的欺诈者的目标,从而阻碍了ML模型的性能。规避和基于数据毒药的攻击备受好评,特别是在金融,医疗保健等领域,这促使我们提出了一种新的计算成本较低的攻击机制,基于变分自动编码器(VAE)的对抗性样本生成。众所周知,小波神经网络(WNN)被认为是计算效率高的解决图像和音频处理,语音识别,和时间序列预测。提出了一种基于小波神经网络的VAE-深度小波神经网络(VAE-Deep-WNN)。此外,我们提出了VAE与多层感知器(MLP)和Deep-WNN的混沌变体,并分别命名为C-VAE-MLP和C-VAE-Deep-WNN。在这里,我们使用Logistic映射在潜在空间中生成随机噪声。在本文中,我们执行了基于VAE的对手样本生成,并将其应用于与金融和网络安全领域相关的各种问题,如贷款违约,信用卡欺诈和流失建模等,我们对逻辑回归(LR)和决策树(DT)模型进行了规避和数据中毒攻击。结果表明,VAE-Deep-WNN在大多数数据集和模型中的表现优于其他模型。然而,其混沌变体C-VAE-Deep-WNN在大多数数据集中的表现几乎与VAE-Deep-WNN相似。
2023-02-25 cs.CR cs.LG
Predicting Propensity to Vote with Machine Learning
Maret School(马雷特学校);Bullis School(布利斯学校);Private Identity LLC(Private Identity 有限责任公司);Villanova University(维拉诺瓦大学)
我们证明了机器学习能够从个人过去的行为和属性中推断出个人的投票倾向。这对微观目标选民外联、选民教育和动员投票运动很有用。自20世纪40年代末以来,政治学家们开发了越来越复杂的技术来估计选举结果。之前的两项研究类似地使用机器学习来预测个人未来的投票行为。我们使用TensorFlow构建了一个机器学习环境,获得了2004年至2018年的投票数据,然后进行了三次实验。我们得到了积极的结果,马修斯相关系数为0.39。
2021-02-11 cs.LG physics.soc-ph
Predicting the top and bottom ranks of billboard songs using Machine Learning
Pacific Northwest National Laboratory(太平洋西北国家实验室)
音乐产业是一个1300亿美元的产业。预测一首歌是否抓住了观众的脉搏影响了整个行业。在本文中,我们使用几种计算语言学算法来分析歌曲歌词中的语言,并根据语言特征预测歌曲是否会在公告牌排名中名列前茅或垫底。我们训练和测试了一个SVM分类器的径向核函数的语言特征。结果表明,我们可以分类一首歌是否属于顶部和底部的公告牌排行榜的精度为0.76。
2015-12-03 cs.CL cs.LG
A Machine Learning Approach to Predicting Single Event Upsets
Nanyang Technological University(南洋理工大学)
针对太空环境中半导体单粒子翻转(SEU)难以及时发现的问题,提出仅用位置数据预测SEU的机器学习模型CREMER,该模型鲁棒性强、成本低且可扩展,可提升航天器存储可靠性与舱内数字安全性。
2023-10-09 cs.LG
Predicting Demand for Air Taxi Urban Aviation Services using Machine Learning Algorithms
University of Missouri(密苏里大学)
本研究的重点是预测空中出租车城市空中交通(UAM)服务的需求在一天中的不同时间在纽约市的不同地理区域使用机器学习算法(MLAs)。几个乘坐相关的因素(如一年中的月份,一周中的一天和一天中的时间)和天气相关的变量(如温度,天气条件和能见度)被用作四个流行的MLA,即逻辑回归,人工神经网络,随机森林,和梯度提升的预测。实验结果表明,梯度提升始终提供更高的预测性能。特定的地点、特定的时间段和工作日一直是关键的预测因素。
2021-03-26 cs.LG stat.AP
Predicting credit default probabilities using machine learning techniques in the face of unequal class distributions
Vienna University of Economics and Business(维也纳经济大学)
本研究进行了基准研究,比较了信用评分应用程序中23种不同的统计和机器学习方法。为了做到这一点,模型的性能在四个不同的数据集上进行评估,并结合五种数据采样策略来解决数据中现有的类别不平衡问题。六种不同的性能指标用于涵盖预测性能的不同方面。结果表明集成方法具有很强的优越性,并表明简单的采样策略提供更好的结果比更复杂的。
2019-07-30 cs.LG econ.EM
An evaluation of randomized machine learning methods for redundant data: Predicting short and medium-term suicide risk from administrative records and risk assessments
Deakin University(迪肯大学);RMIT University(皇家墨尔本理工大学)
准确预测心理健康患者的自杀风险仍然是一个悬而未决的问题。包括临床医生判断在内的现有方法具有可接受的灵敏度,但产生许多假阳性。行政管理数据的开发利用潜力巨大,但其记录过程中存在高维性和冗余性。我们研究了三种最有效的随机机器学习技术随机森林、梯度提升机器和带辍学的深度神经网络在预测自杀风险方面的有效性。使用一个队列的心理健康患者从一个地区的澳大利亚医院,我们比较流行的传统方法临床医生的判断的基础上的检查表,稀疏逻辑斯谛回归和决策树的预测性能。随机化方法表现出对数据冗余的稳健性以及对AUC和F-测量的优越预测性能。
2016-05-03 cs.LG stat.ML
A Machine Learning Approach for Predicting Human Preference for Graph Layouts
University of Sydney(悉尼大学)
由于人类大脑中高度复杂的视觉感知和认知系统,了解人类喜欢什么样的图形布局以及为什么喜欢图形布局是非常重要和具有挑战性的。在本文中,我们提出了第一个机器学习方法来预测人类的偏好图布局。一般来说,带有人类偏好标签的数据集是有限的,不足以训练深度网络。为了解决这个问题,我们通过采用迁移学习方法来训练我们的深度学习模型,例如,利用质量度量,例如基于形状的度量、边缘交叉和应力,这些被示出为与人类对图布局的偏好相关。使用地面真实人类偏好数据集的实验结果表明,我们的模型可以成功地预测人类对图形布局的偏好。据我们所知,这是第一种使用人类偏好实验数据预测图形布局定性评价的方法。
2021-03-01 cs.HC cs.LG
Predicting trajectory behaviour via machine-learned invariant manifolds
University of Bristol(布里斯托大学)
在本文中,我们使用支持向量机(SVM)来开发一个机器学习框架,以发现区分不同反应途径的相空间结构。SVM模型使用来自Hamilton方程的轨迹的数据进行训练,并且即使使用相对较少的轨迹也能很好地工作。此外,这个框架是专门设计的,需要最少的先验知识的动态系统。这使得我们的方法在计算上比现有的方法更适合于高维系统和系统的集成轨迹是昂贵的。我们基准我们的方法上Chesnavich的CH $_4^+$哈密顿。
2022-01-05 cs.LG math.DS physics.chem-ph
Predicting Post-Concussion Syndrome Outcomes with Machine Learning
Gyeonggi Suwon International School(京畿水原国际学校)
在本文中,机器学习模型用于预测持续性脑震荡后综合征(PCS)患者的结局。患者在研究前平均两到三个月遭受脑震荡。通过利用评估数据,机器学习模型旨在预测患者在四到五个月后是否会继续患有PCS。随机森林分类器实现了最高的性能,具有85%的准确度和0.94的受试者工作特征曲线下面积(AUC)。PCS结果的预测因素是创伤后应激障碍(PTSD),感知不公正,自我评价的预后和损伤后症状严重程度。本研究的结果表明,机器学习模型可以高准确度地预测PCS结果。随着进一步的研究,机器学习模型可以在医疗环境中实施,以帮助患有持续性PCS的患者。
2021-08-04 cs.LG q-bio.QM
Newton vs the machine: solving the chaotic three-body problem using deep neural networks
University of Edinburgh(爱丁堡大学);University of Cambridge(剑桥大学);Instituto de Telecomunicações(电信研究所);Leiden University(莱顿大学)
自从艾萨克·牛顿爵士提出这个理论以来,求解三个物体在它们自己的引力作用下的运动方程的问题实际上一直没有得到解决。目前,给定初始化的解决方案只能通过执行费力的迭代计算来找到,由于系统的混沌性质,迭代计算具有不可预测和潜在的无限计算成本。我们表明,使用任意精度的数值积分器获得的解的集合可以用于训练深度人工神经网络(ANN),该深度人工神经网络在有界时间间隔内以固定的计算成本提供精确的解,并且比最先进的求解器快1亿倍。我们的研究结果提供的证据表明,对于相空间的计算挑战区域,经过训练的人工神经网络可以取代现有的数值求解器,使多体系统的快速和可扩展的模拟能够揭示突出的现象,如黑洞二元系统的形成或致密星团中核心崩溃的起源。
2019-10-16 astro-ph.GA astro-ph.SR cs.LG
Predicting Agricultural Commodities Prices with Machine Learning: A Review of Current Research
RMIT University Vietnam(越南皇家墨尔本理工大学);School of Science, Engineering, and Technology(科学、工程与技术学院)
本文综述了机器学习在农产品价格预测中的应用,分析了农业价格预测的挑战、现有方法的优缺点,并指出机器学习有望提升预测准确性,但仍需进一步研究解决其局限性。
2023-10-28 cs.AI cs.LG
Equity forecast: Predicting long term stock price movement using machine learning
School of Computer Science, University of Manchester(曼彻斯特大学计算机科学学院)
针对长期股票价值预测难度大、机器辅助不足的问题,本文提出机器学习辅助的长期股价评估方法,可76.5%准确预测公司一年内价值是否上涨10%。
2018-11-22 cs.LG q-fin.GN
Predicting Rainfall using Machine Learning Techniques
University of Ottawa(渥太华大学)
降雨预测是一项具有挑战性和不确定性的任务,对人类社会有着重要的影响。及时准确的预测有助于主动减少人力和财务损失。这项研究提出了一组实验,其中涉及使用流行的机器学习技术来建立模型,以预测是否会下雨的基础上,在澳大利亚的主要城市的特定一天的天气数据。本文从建模输入、建模方法和预处理技术三个方面进行了比较研究。结果提供了这些机器学习技术的各种评估指标的比较,以及它们通过分析天气数据来预测降雨的可靠性。
2019-10-29 cs.LG physics.ao-ph stat.ML
Comparative Analysis of Machine Learning Models for Predicting Travel Time
University of Missouri, Columbia(密苏里大学哥伦比亚分校);NDSU(北达科他州立大学)
本文比较了五种不同的深度学习模型来预测行程时间。这些模型包括自回归积分滑动平均(ARIMA)模型、递归神经网络(RNN)模型、自回归(AR)模型、长短期记忆(LSTM)模型和门控递归单元(GRU)模型。本研究的目的是调查每个开发的模型预测旅行时间的性能。本文使用的数据集由密苏里州的旅行时间和旅行速度信息组成。用于构建每个模型的学习率在0.0001-0.01之间变化。发现最佳学习率为0.001。研究得出结论,ARIMA模型是行程时间预测和预报的最佳模型架构。
2021-11-16 cs.CV cs.LG
Learning ergodic averages in chaotic systems
University of Cambridge(剑桥大学);Technical University of Munich(慕尼黑工业大学)
我们提出了一种物理信息的机器学习方法来预测混沌吸引子的时间平均值。该方法是基于混合回声状态网络(hESN)。我们假设系统是遍历的,所以时间平均等于遍历平均。与传统的回声状态网络(ESN)(纯数据驱动)相比,hESN使用来自不完整或不完美的物理模型的额外信息。我们评估的hESN的性能,并比较它的ESN。这种方法被证明在一个混沌的时间延迟的热声系统,其中包括一个物理模型显着提高了预测的准确性,减少相对误差从48%到7%。这种改进是在求解两个常微分方程的低额外成本下获得的。该框架显示了使用机器学习技术结合先验物理知识来改善混沌系统中时间平均量的预测的潜力。
2020-04-07 cs.LG cs.NE physics.comp-ph
Solving the Data Sparsity Problem in Predicting the Success of the Startups with Machine Learning Methods
Sinovation Ventures(创新工场)
预测创业公司的成功对于创业公司和投资者都非常重要。由于缺乏可用的数据和适当的一般方法,这是困难的。有了像Crunchbase这样的数据平台,可以聚合初创公司的信息,用机器学习算法进行预测。现有的研究受到数据稀疏问题的困扰,因为大多数早期创业公司没有太多的数据可供公众使用。我们试图利用最近的算法来解决这个问题。我们研究了几个机器学习算法与Crunchbase的大数据集。结果表明,LightGBM和XGBoost表现最好,分别达到53.03%和52.96%的F1分数。我们从特征贡献的角度来解释预测。我们根据模型构建投资组合,并取得了很高的成功率。这些发现对机器学习方法如何帮助初创公司和投资者具有重大意义。
2021-12-15 cs.CL cs.LG econ.EM
Predicting Outcome of Indian Premier League (IPL) Matches Using Machine Learning
Jawaharlal Nehru University(贾瓦哈拉尔·尼赫鲁大学)
板球,特别是Twenty20格式,具有最大的不确定性,其中一个单一的可以完全改变比赛的势头。随着数百万人关注印度超级联赛(IPL),开发一个预测比赛结果的模型是一个现实世界的问题。一场板球比赛取决于各种因素,在这项工作中,显着影响Twenty20板球比赛的结果的因素。每个球员在场上的表现被认为是找出球队的整体权重(相对实力)。提出了一种基于多元回归的解决方案来计算联盟中每个球员的积分,并根据为球队出场最多的球员的过去表现来计算球队的整体权重。最后,基于所识别的影响IPL匹配结果的七个因素对数据集进行建模。六个机器学习模型被训练并用于预测每场2018年IPL比赛的结果,比赛前15分钟,投掷后立即。经过训练的模型中,有三个正确预测了40多个匹配,其中多层感知器的准确率高达71.66%,优于所有其他模型。
2020-09-21 cs.LG stat.AP
Predicting the activity of chemical compounds based on machine learning approaches
Lac Hong University(乐鸿大学);HCMC University of Foreign Languages - Information Technology(胡志明市外语信息技术大学);Nguyen Tat Thanh University(阮必成大学)
本研究针对化学信息学中预测化学化合物活性的问题,对现有机器学习技术的100种组合进行实验,并基于G-means、F1-score和AUC等指标在约10,000种PubChem化合物数据集上评估选出最佳解决方案。
2023-09-10 cs.LG q-bio.BM