[2S1-GS-2] 機械学習：

[2S1-GS-2-03] リカレントニューラルネットワークによるカオス時系列予測と一般化同期写像に基づく非線形出力

〇大久保 茜¹、犬伏 正信^1,2,3 (1. 東京理科大学、2. 大阪大学、3. ケンブリッジ大学)

キーワード：ニューラルネットワーク

決定論的な力学系におけるカオス時系列の予測は気象予測などにおいて重要である．機械学習を用いたこれらの予測手法に関する研究は活発に行われており，その予測精度向上に対する期待が高まっている．本研究では同期ダイナミクスに関する数学理論を応用し，リカレントニューラルネットワーク（RNN）による時系列予測に関して新たな解釈を与えた（Ohkubo and Inubushi, Sci. Rep., 2024）．近年数学的にその存在が証明された一般化同期写像を用いて，正解の予測値をニューロン状態から読み出す写像を調べた． この写像のテイラー展開を考えると，RNNの学習法の一つであるリザバーコンピューティングはこの写像の1次近似に対応すると解釈できる．さらに， 2次・3次の高次項の近似を含む非線形出力を用いた新たな学習法を提案した．気象予測に由来するカオス時系列予測のタスクにおいて，提案手法を導入することで予測精度および安定性（ロバスト性）が大きく向上することが示された．