arXiv · 24.07.2026 ·Исследования и наука

Обучение эргодических динамических систем на основе конечных траекторий

Исследователи представили новый подход к обучению стохастических динамических систем, используя данные одной конечной траектории. Работа фокусируется на дискретных автономных системах, описываемых как однородные по времени марковские процессы. Авторы предложили метод оценки функции прогнозирования на один шаг вперед с помощью нелинейных наименьших квадратов и вывели строгие вероятностные гарантии точности модели относительно инвариантной меры системы.

Задача моделирования сложных динамических процессов часто упирается в ограниченность доступных данных. В классических сценариях для обучения требуется множество независимых реализаций процесса, однако в реальных физических или экономических системах часто доступна лишь одна длительная история наблюдений. Предложенный математический аппарат позволяет эффективно аппроксимировать поведение таких систем, опираясь на свойства эргодичности, которые позволяют заменить ансамблевое усреднение временным.

Метод опирается на минимизацию ошибки прогнозирования, что делает его применимым для широкого класса марковских процессов. Полученные теоретические результаты устанавливают границы погрешности, зависящие от длины траектории и характеристик самой системы. Это открывает возможности для более точного прогнозирования в задачах, где накопление данных затруднено или невозможно из-за природы наблюдаемого объекта.

Ключевые факты

Исследование посвящено обучению моделей на основе одной конечной траектории эргодической стохастической системы.
В качестве основного инструмента оценки функции прогнозирования выбран метод нелинейных наименьших квадратов.
Выведены теоретические гарантии высокой вероятности (high-probability guarantees) для точности предсказаний.
Работа применима к дискретным автономным стохастическим системам, функционирующим как однородные марковские процессы.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука Математический подход к безопасности обучения моделей через Langevin Dynamics Исследователи представили новый теоретический метод оценки рисков при обучении нейронных сетей, использующих стохастический градиентный спуск. Авторы рассматривают процесс обучения как передемпфированную динамику Ланжевена и выводят математические границы вероятности попадания параметров модели в «опасные зоны» (failure regions), что позволяет контролировать стабильность и безопасность весов в процессе оптимизации функции потерь. arXiv · Исследования и наука Новый подход к выбору вероятностных моделей для временных рядов Исследователи представили новый метод выбора оптимальных вероятностных моделей при работе с наборами временных рядов. Авторы анализируют использование надлежащих правил оценки (proper scoring rules) для агрегирования результатов на множестве временных рядов. Работа предлагает уточненные статистические подходы, позволяющие более точно оценивать качество прогнозирования моделей в условиях сложной динамики данных и высокой волатильности. arXiv · Машинное обучение Новый подход к моделированию динамических систем через явные структуры Исследователи представили альтернативный подход к обучению динамических систем, который отходит от использования универсальных нелинейных аппроксиматоров. Вместо наращивания сложности нейронных сетей для захвата сложных паттернов, авторы предлагают архитектуру, где моделирующая способность системы определяется её внутренней структурой. Такой метод позволяет эффективнее описывать поведение динамических процессов, опираясь на математически обоснованные взаимодействия, а не на избыточную нелинейность. arXiv · Машинное обучение Гибридный подход к моделированию динамических систем через нейро-физические ODE Исследователи представили новый метод обучения нейронных дифференциальных моделей, объединяющий физические законы с нейронными сетями. Подход использует сглаживание Рауха-Тунга-Стибеля (RTS) для восстановления скрытых состояний динамических систем, описываемых обыкновенными дифференциальными уравнениями (ОДУ). Это позволяет эффективно моделировать процессы в физике, биологии и нейронауке, даже когда часть динамики системы неизвестна, а измерения доступны лишь для ограниченного набора переменных. arXiv · Исследования и наука Что на самом деле изучают дискретные диффузионные модели Исследователи проанализировали внутреннюю механику дискретных диффузионных моделей, ответив на вопрос, что именно оптимизирует нейросеть в процессе обучения. Авторы доказали, что денойзер, отношение оценок (score ratio) и предикторы мостов являются математически эквивалентными объектами, представленными в разных координатах. Некорректный выбор системы координат при интерпретации сети приводит к изменению процесса обучения и генерации данных. arXiv · Машинное обучение Применение табличных foundation-моделей для оценки безопасности энергосистем Исследователи представили новый подход к динамической оценке безопасности (DSA) энергосистем, основанный на использовании табличных foundation-моделей. Метод позволяет преодолеть ограничения традиционных ML-решений, требующих обучения отдельных моделей для каждой аварийной ситуации. Использование предобученных архитектур значительно сокращает потребность в размеченных данных и повышает скорость анализа рисков в критической инфраструктуре, обеспечивая более эффективное прогнозирование стабильности энергосетей при различных сбоях. arXiv · Машинное обучение Новый метод для оценки политик в reinforcement learning Исследователи предложили новый подход к временной разнице (TD) с линейным приближением функций — ключевому методу в reinforcement learning. Классическое описание этого метода основано на обыкновенных дифференциальных уравнениях (ODE), которые отражают средние асимптотические динамики, но не учитывают стохастические флуктуации, влияющие на погрешность. arXiv · Машинное обучение Новый метод обучения генеративных моделей с учетом стоимости принятия решений Исследователи представили метод Decision-Aware Training, который оптимизирует генеративные модели для задач вероятностного прогнозирования с учетом реальных экономических затрат. В отличие от стандартных подходов, фокусирующихся на плотности данных, новый алгоритм перераспределяет обучающий сигнал, минимизируя риски и издержки, связанные с ошибками прогноза в критически важных бизнес-процессах и управленческих решениях. arXiv · Исследования и наука Введение в стохастические дифференциальные уравнения для генеративных моделей Новая работа на arXiv предлагает систематический обзор применения обыкновенных и стохастических дифференциальных уравнений (СДУ) в генеративном машинном обучении. Авторы раскрывают вероятностную основу диффузионных процессов, объясняя, как математический аппарат СДУ и уравнение Фоккера-Планка лежат в основе современных архитектур для синтеза изображений, видео и молекулярных структур, обеспечивая теоретическую базу для понимания генерации данных. NVIDIA Technical Blog · Машинное обучение Оценка вероятности редких событий с помощью управляемых генеративных моделей Исследователи NVIDIA представили метод оценки вероятности экстремальных, но маловероятных событий, используя управляемые генеративные модели. Традиционные методы симуляции часто не справляются с редкими сценариями в финансах, инженерии и науке. Новый подход позволяет направлять генерацию данных в области «хвостов» распределения, что значительно повышает точность прогнозирования рисков без необходимости проведения миллиардов вычислительно затратных симуляций.

← Все материалы