抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
生態系は,様々な物理的,生物学的および化学的プロセスの複雑なシステムである。生態系力学は,異なるレベルの確率的性と非線形性の混合物から成るので,これらのデータの取扱いは,時系列ベースの因果推論の既存の方法に対する挑戦である。ここでは,現代の機械学習手法を利用することにより,Granger因果律の概念を複雑な生態系時系列の解析に効果的に拡張でき,動的および統計的手法間のギャップを埋めることを示した。中心アイデアは,与えられた変数の予測を最大化する変数の最小集合を選択するために,高速で高度に予測的な人工ニューラルネットワークのアンサンブルを用いることである。それは,全体的予測性能に対する個々の変数の寄与を定量化することにより,変数間の関係の分解を可能にする。著者らは,著者らのアプローチ,EcohNetがメソコスム実験と模擬生態系に対する相互作用ネットワーク推論をいかに改善できるかを示す。長期湖モニタリングデータセットへのこの方法の適用により,シアノバクテリアブルームを引き起こす運転者に関する新規ではあるが解釈可能な結果が得られ,これは生態学的完全性と生態系サービスに対する重大な脅威である。EcohNetの性能は,その予測能力によって強化されるので,それはまた,生態系における全体の構成要素の最適化予測を提供した。EcohNetは,生態系に制限されない多くの科学領域における複雑でハイブリッドの多変量時系列を分析するために使用できる。地球規模の環境問題を解決するための生態系モニタリングデータの意義のある国家的利用は,21世紀の生態学の主要な挑戦である。この課題に対処する有望な解決策は,生態系成分間の機械的リンクに関する洞察を提供できる時系列ベース因果分析である。本研究では,EcohNetと名付けたモデルフリーフレームワークを提案した。EcohNetは,エコー状態ネットワークのアンサンブル予測を利用し,それは,様々な動的システムに対して,高速,正確,および高度に関連することが知られており,そして,生態系構成要素の因果的ネットワークをロバストに予測することができる。それはまた,全体の生態系成分の最適化予測を提供することができて,生態系に限らない多くの科学的区域において複合体とハイブリッド多変量時系列を分析するために使用することができた。【JST・京大機械翻訳】