Artificial neural network forecasting of nonlinear Markov processes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
I assessed the performance characteristics of the feed-forward artificial neural network (ANN) as a first-order nonlinear Markov modelling technique. The ability to recover the underlying structure of five synthetic random time series was first tested. The method was then applied to an observed geophysical time series, and the results were compared against external empirical constraints and a simple representation of the underlying physics. The Monte Carlo experiments suggested that the ANN–Markov technique: (i) yields good prediction skill; (ii) in general, accurately retrieves the form of the iterative mapping, even for extremely noisy data; (iii) accomplishes the foregoing without any need to consider or adjust for the distributional characteristics of the data or driving noise; and (iv) accurately estimates the distribution of the strictly stochastic signal component. Application to a historical river-flow record again showed good forecast skill. Moreover, the robustness, flexibility, and simplicity of the method permitted easy identification of the fundamental nonlinear physical dynamics of this environmental system directly from the time series data, perhaps belying the common perception of ANNs as a strictly black-box prediction technique. The ANN–Markov technique may thus serve as a valuable data-driven tool for guiding the development of both process-based and parameteric statistical models. The lack of specific distributional assumptions and requirements notwithstanding, it was also found that manual distributional transformations may permit the method to be tuned to particular applications by emphasizing or de-emphasizing certain features of the data. Drawbacks to the method include substantial data-set length requirements, a general limitation of ANNs, as well as an inconsistent but potentially troubling tendency to partially imprint the form of the ANN activation function upon the estimated recursion relationship. PACS Nos.: 02.50.Ga, 05.10.–a, 05.45.Tp, 07.05.Mh, 02.50.Ey, 92.40.Fb
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle