AI Umum

Pembelajaran Mesin Ringan untuk Inferensi Struktural dan Prediksi Dinamis yang Akurat

Pendahuluan

Pembelajaran Mesin (ML) telah menjadi alat yang sangat penting dalam beberapa tahun terakhir untuk memecahkan berbagai masalah ilmiah dan praktis. Metode pembelajaran mesin tanpa model telah menarik minat karena kemampuannya untuk menganalisis dan memprediksi dinamika kompleks yang terlihat dalam data deret waktu. Namun, pendekatan ini menghadapi kesulitan ketika diterapkan pada sistem berdimensi tinggi dengan koneksi heterogen dan perilaku yang sangat kompleks.

Tantangan dan Metode

Mengembangkan teknik ML canggih yang dapat mengidentifikasi interaksi internal dalam sistem yang kompleks dan memprediksi evolusi masa depan mereka secara andal sangat penting untuk mengatasi hambatan ini. Teknik ML modern seperti Jaringan Neural Berulang (RNN), Persamaan Diferensial Neural Biasa (NODE), dan pembelajaran residual mendalam menawarkan keunggulan untuk menangani data deret waktu nonlinier dan kompleks jika dibandingkan dengan pendekatan klasik seperti model Auto-Regresif (ARMA) dan Perceptron Multi-Lapisan (MLP).

Meskipun banyak dari metode ini memerlukan estimasi parameter, RNN dan variasinya, seperti Unit Berulang Terkendali (GRU) dan jaringan Memori Jangka Pendek (LSTM), menunjukkan kinerja prediksi yang baik. Sebagai alternatif, RNN ringan yang disebut Komputasi Reservoir (RC) telah dikembangkan untuk mengantisipasi perilaku temporal-spasial dari dinamika kacau. Meskipun RC telah menunjukkan potensi dalam beberapa situasi, RC masih dapat ditingkatkan.

Peningkatan Komputasi Reservoir

Upaya baru-baru ini difokuskan pada peningkatan kemampuan pemodelan dan efektivitas komputasi RC. Metode ini memiliki kelemahan ketika digunakan dalam sistem yang lebih nonlinier dan berdimensi lebih tinggi. Komputasi Reservoir Paralel (PRC), teknik peramalan paralel yang memanfaatkan struktur lokal sistem, telah disajikan sebagai solusi untuk masalah ini. Namun, teknik inferensi kausal khas PRC tidak dapat secara langsung mengungkapkan struktur orde tinggi, yang penting untuk memahami sistem dinamis yang rumit.

Komputasi Reservoir Orde Tinggi

Untuk mengatasi masalah ini, paradigma komputasi revolusioner yang dikenal sebagai RC orde tinggi telah dikembangkan. Tujuan dari paradigma ini adalah untuk memasukkan data struktural, terutama struktur orde tinggi, ke dalam reservoir. RC orde tinggi menggabungkan Kausalitas Granger (GC) karena struktur orde tinggi dari sistem dinamis yang rumit sering kali tidak diketahui sebelumnya.

Kerangka kerja Higher-Order Granger RC (HoGRC) adalah metode iteratif yang membuat prediksi dinamis dan mengidentifikasi interaksi orde tinggi secara bersamaan. Kerangka kerja ini dapat diskalakan dan dapat diterapkan pada sistem dinamis yang kompleks dan berdimensi lebih tinggi, memungkinkan prediksi dinamis yang tepat pada tingkat node dan inferensi struktur yang kompleks.

Kesimpulan

HoGRC adalah kerangka kerja tanpa model yang digerakkan oleh data dan dimaksudkan untuk mencapai dua tujuan utama. Pertama, dengan menggabungkan RC dan gagasan kausalitas Granger, ia berupaya menyimpulkan struktur orde tinggi. Ini menunjukkan bahwa ia terlihat untuk memahami interaksi orde tinggi dalam data selain hubungan kausal langsung. Kedua, HoGRC menggunakan informasi orde tinggi yang disimpulkan dan data deret waktu asli untuk membuat prediksi multi-langkah.