التعلم الآلي للتنبؤ بالأنظمة الفوضوية

يعد التنبؤ بالأنظمة الديناميكية الفوضوية أمرًا حاسمًا في العديد من المجالات العلمية مثل التنبؤ بالطقس، لكنه يمثل تحديًا نظرًا للطبيعة الحساسة للاعتماد على الظروف الأولية. تتطلب approaches النمذجة التقليدية معرفة واسعة بالمجال، مما يؤدي غالبًا إلى التحول نحو الأساليب المعتمدة على البيانات باستخدام التعلم الآلي. ومع ذلك، توفر الأبحاث الحالية نتائج غير حاسمة حول أي من طرق التعلم الآلي هي الأكثر ملاءمة للتنبؤ بالأنظمة الفوضوية. في هذه الورقة، نقارن بين هياكل التعلم الآلي المختلفة خفيفة وثقيلة باستخدام قواعد بيانات موجودة واسعة النطاق، بالإضافة إلى قاعدة بيانات جديدة تم تقديمها تسمح بتQuantification عدم اليقين في نتائج المعايير. نقوم بإجراء ضبط فرط المعاملات بناءً على تكلفة الحوسبة ونقدم مقياس خطأ جديد، وهو الحد الأقصى التراكمي للخطأ، الذي يجمع بين عدة خصائص مرغوبة من المقاييس التقليدية، مصممة للأنظمة الفوضوية. تظهر نتائجنا أن الأساليب البسيطة المضبوطة جيدًا، وكذلك الأساليب الأساسية غير المضبوطة، غالبًا ما تتفوق على نماذج التعلم العميق الحديثة، لكن أدائها يمكن أن يتفاوت بشكل كبير مع إعدادات تجريبية مختلفة. تؤكد هذه النتائج على أهمية مطابقة طرق التنبؤ لخصائص البيانات والموارد الحوسبية المتاحة.