🤖 machine learning

Horizon-Constrained Rashomon Sets for Chaotic Forecasting

Dit artikel overbrugt voorspellende veelvoudigheid en chaotische dynamiek door horizon-geconstraineerde Rashomon-sets in te voeren, een raamwerk dat karakteriseert hoe modelveelvoudigheid evolueert met het voorspellingshorizon in chaotische systemen om besluitvormingsgerichte modelselectie mogelijk te maken die de downstream-utility in veiligheidskritieke toepassingen aanzienlijk verbetert.

Oorspronkelijke auteurs: Gauri Kale, Rahul Vishwakarma, Holly Diamond, Ava Hedayatipour, Amin Rezaei

Gepubliceerd 2026-05-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gauri Kale, Rahul Vishwakarma, Holly Diamond, Ava Hedayatipour, Amin Rezaei

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert het weer te voorspellen, verkeerslichten te beheren of windenergie voor een stad te prognosticeren. Je hebt een team van deskundige voorspellers (computermodellen). In een perfecte, kalme wereld kun je, als al deze experts het eens zijn over de korte-termijnvoorspelling, erop vertrouwen dat ze het ook eens zijn over de langetermijnvoorspelling.

Maar de echte wereld is chaotisch. Dit betekent dat kleine verschillen in hoe een model zijn berekening start, later tot willekeurig verschillende resultaten kunnen leiden. Het is als het "Vlindereffect": een vlinder die in Brazilië met zijn vleugels slaat, kan weken later een tornado in Texas veroorzaken.

Dit artikel behandelt een specifiek probleem: Wat gebeurt er als je veel verschillende modellen hebt die allemaal even goed zijn in het voorspellen van de korte termijn, maar het oneens worden naarmate je verder in de toekomst kijkt?

Hier is de uiteenzetting van hun oplossing met behulp van eenvoudige analogieën:

1. Het "Rashomon"-probleem (Te veel waarheden)

In machine learning bestaat er een concept dat het Rashomon-effect wordt genoemd. Stel je een misdaadplek voor waar vijf verschillende getuigen iets verschillende verhalen vertellen, maar die allemaal technisch "correct" zijn op basis van het bewijsmateriaal dat ze hebben. In AI betekent dit dat je veel verschillende modellen kunt hebben die vandaag dezelfde score voor nauwkeurigheid krijgen, maar die voor morgen volledig verschillende voorspellingen doen.

Wetenschappers kiezen meestal gewoon één "beste" model en hopen op het beste. Maar in chaotische systemen (zoals weer of verkeer) is dit gevaarlijk, omdat die "even goede" modellen naarmate de tijd vordert wild kunnen uiteenlopen.

2. Het nieuwe idee: "Horizon-beperkte" sets

De auteurs introduceren een nieuwe denkwijze genaamd Horizon-beperkte Rashomon-sets.

De Analogie: Stel je een groep wandelaars voor die bij hetzelfde startpunt (het heden) beginnen. Voor het eerste uur (korte termijn) blijven ze allemaal op hetzelfde pad en zijn het eens over waar ze naartoe gaan. Dit is de "Rashomon-set".
Het Chaos: Omdat het terrein verraderlijk is (chaotisch), splitst het pad naarmate ze verder wandelen (langere tijd) zich. De ene wandelaar slaat linksaf, de ander rechtsaf. De groep die ooit een hechte eenheid was, begint te verspreiden.
De Ontdekking: Het artikel bewijst wiskundig dat in chaotische systemen deze groep "eensgezinde" modellen niet zomaar willekeurig verspreidt; het krimpt exponentieel. Hoe verder je kijkt, hoe minder modellen er nog overblijven die nog "goed genoeg" zijn om in aanmerking te komen. De snelheid waarmee ze verspreiden wordt bepaald door iets dat de Lyapunov-exponent wordt genoemd (denk hierbij aan de "snelheid van chaos" voor dat specifieke systeem).

3. De oplossing: De juiste gids voor de klus kiezen

Omdat de groep modellen naarmate de tijd vordert krimpt en verandert, kun je niet zomaar het model kiezen dat het beste is in het voorspellen van "5 minuten vanaf nu" en er vanuit gaan dat dit ook het beste zal zijn voor "5 uur vanaf nu".

De auteurs ontwikkelden een Beslissing-gealigneerde selectiemethode.

Oude manier: Kies het model met het laagste foutpercentage voor het specifieke moment waar je naar kijkt.
Nieuwe manier: Kijk naar het doel. Als je een windpark beheert, is je doel niet zomaar "nauwkeurige windsnelheid"; het is "schakel de turbines niet onnodig uit".
De Metafoor: Stel je voor dat je een rivier moet oversteken.
- Model A is geweldig in het voorspellen van het waterpeil voor de komende 10 minuten, maar slecht voor 1 uur.
- Model B is okay voor 10 minuten, maar verrassend goed voor 1 uur.
- Als je over een uur moet oversteken, is Model B de betere keuze, zelfs als Model A er in een standaardtest "nauwkeuriger" uitzag.

Het algoritme van het artikel kijkt naar de "horizon" (hoe ver vooruit je moet plannen) en de "nutswaarde" (wat echt belangrijk is voor de beslissing) om het model te kiezen dat je helpt de beste beslissing te nemen, niet alleen degene met de laagste wiskundige fout.

4. De resultaten

Het team testte dit op:

Synthetisch Chaos: Wiskundige simulaties zoals het Lorenz-systeem (een klassiek weermodel).
Echte Wereld: Reële windenergiegegevens, verkeerssnelheden in Los Angeles en weerspatronen.

Het resultaat:
Door hun methode te gebruiken om modellen te kiezen op basis van de benodigde beslissing in plaats van alleen ruwe nauwkeurigheid, verbeterden ze de kwaliteit van beslissingen met 18% tot 34%.

Bij windenergie betekende dit een betere planning van energie.
Bij verkeer betekende dit een betere timing van verkeerslichten.
Bij weer betekende dit een betere toewijzing van middelen.

Samenvatting

Het artikel betoogt dat in chaotische werelden "nauwkeurigheid" in de loop van de tijd verandert. Een model dat perfect is voor morgen, kan nutteloos zijn voor volgende week. In plaats van één "beste" model te kiezen, moeten we kijken naar de hele groep "goed genoeg" modellen, kijken hoe ze in de loop van de tijd verspreiden, en degene kiezen die het beste geschikt is voor de specifieke beslissing die we op dat specifieke moment moeten nemen. Deze aanpak overbrugt de kloof tussen de wiskunde van chaos en de praktische behoeften van AI.

Technische Samenvatting: Horizon-Beperkte Rashomon-sets voor Chaotische Voorspelling

Probleemstelling

Voorspellende multipliciteit (het bestaan van meerdere modellen met equivalente nauwkeurigheid maar uiteenlopende voorspellingen) en chaotische dynamiek (waarbij kleine initiële verschillen leiden tot exponentieel divergerende uitkomsten) zijn twee fundamentele uitdagingen in het machine learning-domein die historisch gezien geïsoleerd van elkaar zijn ontwikkeld. Hoewel het Rashomon-effect goed is gekarakteriseerd in statische voorspellingstaken, slagen bestaande kaders er niet in rekening te houden met temporele dynamiek. Omgekeerd optimaliseert de literatuur over chaotische voorspelling doorgaans voor één "beste" model zonder de multipliciteit van even nauwkeurige alternatieven te karakteriseren.

Deze disconnectie creëert kritieke risico's in veiligheidskritieke toepassingen (bijvoorbeeld windenergie-distributie, verkeersmanagement, weersvoorspelling). In chaotische systemen kunnen modellen die overeenstemming vertonen op korte termijnvoorspellingen exponentieel uit elkaar groeien naarmate de voorspellinghorizon zich uitstrekt. Huidige selectiemethoden, die vertrouwen op statische nauwkeurigheidsmetrieken zoals RMSE, missen een principiële manier om te kiezen tussen bijna-optimale modellen wanneer downstream-gebruik afhankelijk is van langetermijngedrag. Dit artikel adresseert de kloof door te onderzoeken hoe chaos de structuur van voorspellende equivalentie in de tijd transformeert en hoe modellen geselecteerd kunnen worden die downstream-beslissingsnut maximaliseren in plaats van alleen voorspellingnauwkeurigheid.

Methodologie

Theoretisch Kader

De auteurs introduceren Horizon-Beperkte Rashomon-sets, een theoretische uitbreiding van de klassieke Rashomon-set die varieert met de voorspellingsleadtime $k$ .

Definitie: Voor een leadtime $k$ en tolerantie $\epsilon_k$ bevat de set $R^{(k)}_{\epsilon_k}$ alle modellen $h$ waarvan de verliesfunctie $L_k(h)$ binnen $\epsilon_k$ ligt van het optimale verlies $L^*_k$ .
Exponentiële Contractie: Het artikel bewijst (Stelling 1) dat in chaotische systemen de effectieve grootte van deze set exponentieel contracteert met de leadtime. De contractiesnelheid wordt bepaald door de maximale Lyapunov-exponent ( $\lambda_{max}$ ), die de gevoeligheid van het systeem voor initiële condities kwantificeert.
Lyapunov-Gewogen Metrieken: Om rekening te houden met de variërende belangrijkheid van verschillende horizons, stellen de auteurs Lyapunov-gewogen Rashomon-ratio's voor (Definitie 2). Deze metrieken wegen modelonenigheid af met een exponentiële afnamefactor $e^{-\lambda_{max}k}$ , waardoor strakkere grenzen voor effectieve voorspellende ambiguïteit worden geboden dan klassieke ongewogen metrieken (Stelling 2).

Algorithmische Aanpak

Het artikel ontwikkelt Beslissings-Gealigneerde Selectiealgoritmen (Algoritme 1) die modellen selecteren uit de tijd-variërende Rashomon-set op basis van downstream-nutfuncties in plaats van voorspellingsfout.

Proces: Het algoritme steekt modellen uit de doorsnede van horizon-beperkte sets, berekent de optimale downstream-actie voor elk model op verschillende horizons, en aggregeert nut met behulp van Lyapunov-gewichten.
Convergentie: Theoretische analyse (Stelling 3) stelt steekproefcomplexiteitsgrenzen vast voor dit selectieproces, waarbij wordt aangetoond dat de vereiste steekproefgrootte exponentieel groeit met de effectieve beslissingshorizon, gewogen met de Lyapunov-exponent.

Experimentele Implementatie

Modelconstructie: De auteurs construeren Rashomon-sets door systematisch varianten van Reservoir Computers te enumereren. Ze variëren hyperparameters inclusief reservoirgrootte ( $N_r$ ), spectrale straal ( $\rho$ ), sparsiteit ( $p$ ) en lekrate ( $\alpha$ ), wat resulteert in 1.080 kandidaatconfiguraties.
Lyapunov-schatting: De maximale Lyapunov-exponent wordt geschat met het algoritme van Rosenstein op tijdsvertraging-geëmbede fase-ruimten, geverifieerd tegen synthetische grondwahrheden.
Adaptieve Tolerantie: De tolerantie $\epsilon_k$ wordt adaptief gedefinieerd op basis van het empirische prestatiebereik op elke horizon, zodat de setgrootte beheersbaar blijft (10–100 modellen) terwijl horizon-specifieke equivalentie wordt weerspiegeld.

Belangrijkste Resultaten

Synthetische Systemen

Experimenten op de Lorenz-96 en Kuramoto-Sivashinsky systemen valideren de theoretische claims:

Setcontractie: Empirische metingen bevestigen dat de kardinaliteit van de Rashomon-set exponentieel afneemt met de leadtime, met afnamesnelheden die nauw overeenkomen met theoretische voorspellingen gebaseerd op $\lambda_{max}$ ( $R^2 > 0,95$ ).
Chaossterkte: Het verhogen van de chaossterkte (via de forcingparameter $F$ ) versnelt de setcontractie. Bij sterke chaos krimpt de set tot minder dan 10 modellen tegen horizon 30, terwijl zwakkere chaos ongeveer 50 modellen behoudt.

Toepassingen in de Wereld

Het kader werd geëvalueerd op drie real-world datasets: SDWPF Wind Power, METR-LA Traffic en ERA5 Weather.

Beslissingsnut: De voorgestelde beslissings-gealigneerde selectiemethode verbeterde de downstream-beslissingskwaliteit met 18–34% in vergelijking met baselines (Enkel Beste, Ensemble Gemiddelde, Willekeurige Selectie).
Horizon-Afhankelijkheid: Verbeteringen waren monotoon met de voorspellinghorizon. Bijvoorbeeld, bij windenergie steeg de nutswinst van 18,4% op 6 uur naar 27,2% op 24 uur. In het verkeer steeg de winst van 21,3% (30 min) naar 31,7% (60 min).
Architecturale Diversiteit: Het opnemen van diverse modelfamilies (Reservoirs, CNN's, Transformers) in de kandidatenpool leverde verdere nutswinsten op (tot 38%) in vergelijking met selectie binnen één enkele familie, wat suggereert dat architecturale diversiteit hyperparameterdiversiteit aanvult.

Betekenis en Claims

Het artikel claimt de eerste rigoureuze verbinding tussen chaostheorie en voorspellende multipliciteit te leggen. De primaire bijdragen zijn:

Theoretische Unificatie: Het demonstreert dat chaos voorspellende equivalentie fundamenteel transformeert, waardoor de ruimte van "even goede" modellen exponentieel krimpt naarmate voorspellingen zich uitstrekken naar de voorspelbaarheidshorizon van het systeem.
Praktische Richtlijnen: Het biedt een principieel kader voor modelselectie in veiligheidskritieke chaotische domeinen, waarbij wordt afgeweken van nauwkeurigheidsgerichte metrieken naar nut-gerichte selectie.
Prestaties: Het kader presteert consequent beter dan standaard selectiestrategieën in real-world chaotische voorspellingstaken, met aanzienlijke verbeteringen in beslissingskwaliteit terwijl competitieve voorspellingsnauwkeurigheid wordt behouden.

De auteurs erkennen beperkingen, met name dat het kader vertrouwen stelt op accurate Lyapunov-exponentschattingen (wat moeilijk kan zijn voor hoogdimensionale of deels waargenomen systemen) en uitgaat van toegang tot een voldoende grote pool van bijna-optimale modellen. Zij suggereren dat toekomstig werk online adaptatie, multi-objectieve optimalisatie en toepassingen in klimaatmodellering en neurale ODE's moet verkennen.