- Код статьи
- 10.31857/S0005231023010051-1
- DOI
- 10.31857/S0005231023010051
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 1
- Страницы
- 98-120
- Аннотация
- Рандомизированное машинное обучение ориентировано на задачи, сопровождаемые значительной неопределенностью в данных и моделях. Алгоритмы машинного обучения формулируются в терминах функциональной задачи энтропийно-линейного программирования. Рассматривается методика их адаптации к задачам прогнозирования на примере временной эволюции площади термокарстовых озер в зонах вечной мерзлоты, которые являются генераторами метана - одного из парниковых газов, влияющих на изменения климата. Предлагаются процедуры рандомизированного машинного обучения, использующие модели динамической регрессии со случайными параметрами, и ретроспективные данные климатических параметров и дистанционного зондирования земной поверхности. Развивается алгоритм рандомизированного машинного обучения, позволяющий вычислять оценки функций плотности распределения вероятностей параметров модели и измерительных шумов. Рандомизированное прогнозирование реализовано в виде алгоритмов трансформации оптимальных распределений в соответствующие им случайные последовательности (алгоритмы сэмплирования). Развиваемые процедуры и технологии рандомизированного прогнозирования применены для обучения, тестирования и прогнозирования эволюции площади термокарстовых озер Западной Сибири.
- Ключевые слова
- термокарстовые озера дистанционное зондирование информационная энтропия балансовые уравнения динамическая регрессия оптимизация ляпуновская задача сэмплирование рандомизированное прогнозирование рандомизированное машинное обучение
- Дата публикации
- 15.01.2023
- Год выхода
- 2023
- Всего подписок
- 0
- Всего просмотров
- 7
Библиография
- 1. Vapnik V.N. Statistical Learning Theory. John Willey & Sons, 1998.
- 2. Bishop C. Pattern Recognition and Machine Learning. N.Y. Springer, 2007.
- 3. Friedman J., Hastie T., Tibshirani R. The elements of statistical learning. Volume 1, Springer series in statistics, Berlin. Springer, 2009.
- 4. Popkov Yu.S., Dubnov Yu.A., Popkov A.Yu. Randomized Machine Learning: Statement, Solution, Applications // Proc. IEEE Int. Conf. on Intelligent Systems. 2016. P. 27-39.
- 5. Zuidhoff F.S., Kolstrup E. Changes in palsa distribution in relation to climate change in Laivadalen, Northern Sweden, espesially 1960-1997 // Permafrost and Periglacial Processes. 2000. V. 11. P. 55-69.
- 6. Kirpotin S., Polishchuk Y., Bruksina N. Abrupt changes of thermokarst lakes in Western Siberia: impacts of climatic warming on permafrost melting // Int. J. Environmental Studies. 2009. V. 66. No. 4. P. 423-431.
- 7. Karlson J.M., Lyon S.W., Destouni G. Temporal behavior of lake size-distribution in a thawing permafrost landscape in Northwestern Siberia // Remote Sensing. 2014. No. 6. P. 621-636.
- 8. Bryksina N.A., Polishchuk Yu.M. Analysis of changes in the number of thermokarst lakes in permafrost of Western Siberia on the basis of satellite images // Cryosphere of Earth. 2015. V. 19. No. 2. P. 114-120.
- 9. Liu Q., Rowe M.D., Anderson E.J., Stow C.A., Stumpf R.P. Probabilistic forecast of microcystin toxin using satellite remote sensing, in situ observation and numerical modeling // Environment Modelling and Software. 2020. V. 128. P. 104705.
- 10. Vidyasagar M. Statistical Learning Theory and Randomized Algorithms for Control // IEEE Control System Magazine. 1998. V. 1. No. 17. P. 69-88.
- 11. Граничин О.Н., Поляк Б.Т. Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах. М.: Наука, 2002.
- 12. Biondo A.E., Pluchino A., Rapisarda A., Helbing D. Are random traiding strategies more successful than tachnical ones? // PLoS ONE. 2013. V. 6. No. 7. P. e68344.
- 13. Lutz W., Sandersen S., Scherbov S. The end of world population growth // Nature. 2001. V. 412. No. 6846. P. 543-545.
- 14. Цирлин А.М. Методы усредненной оптимизации и их применение. М.: Физматлит, 1997.
- 15. Shannon C.Communication Theory of Secrecy Systems // Bell System Technical Journal. 1949. V. 28. No. 4. P. 656-715.
- 16. Jaynes E.T. Information Theory and Statistical Mechanics // Physics Review. 1957. V. 106. P. 620-630.
- 17. Jaynes E.T. Papers on probability, statistics and statistical physics. Dordrecht. Kluwer Academic Publisher, 1989.
- 18. Jaynes E.T. Probability Theory. The logic and science. Cambrige University Press, 2003.
- 19. Попков Ю.С., Попков А.Ю., Дубнов Ю.А. Рандомизированное машинное обучение при ограниченных объемах данных. М.: УРСС, 2019.
- 20. Popkov Y., Popkov A. New Method of Entropy-Robust Estimation for Ramdomized Models under Limited Data // Entropy. 2014. V. 16. P. 675-698.
- 21. Иоффе А.Д., Тихомиров В.М. Теория экстремальных задач. М.: Наука, 1984.
- 22. Darkhovsky B.S., Popkov Y.S., Popkov A.Y., Aliev A.S. A Method of Generating Random Vectors with a Given Probability Density Function // Autom. Remote Control. 2018. V. 79. No. 9. P. 1569-1581. https://doi.org/10.1134/S0005117918090035
- 23. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей. М.: Финансы и статистика, 1985.
- 24. Электронный ресурс: https://cloud.uriit.ru/index.php/s/0DOrxL9RmGqXsV0. Статья представлена к публикации членом редколлегии А.Н. Соболевским.
