Yali Guo, Han Zhang, Liang Wang, Huawei Fan, Jinghua Xiao, and Xingang Wang*, Transfer learning of chaotic systems, Chaos 31, 011104 (2021).

利用A系统的时间序列进行训练的神经网络是否也可以预测B系统的演化?这个问题在机器学习中具有十分重要的意义，属于转移学习的研究领域。但目前对于混沌系统的转移学习是否能实现还没有定论。在本文中，我们将从同步的角度来研究混沌系统的转移学习，即利用系统A的数据训练的回声状态网络来预测系统B未测量的变量，这里的A系统与B系统可以是参数上或者是动力学上的差别。结果发现，当A与B系统是参数上的差别时，回声状态网络可以很好的实现转移学习。然而当两者是动力学上的差别时，一般来说转移学习就会失败。除了双系统间的转移外，我们还实现了链状式的转移学习。最后利用混沌扭摆的实验装置，我们实现了模型与实验间的转移学习，即使用模型数据训练的神经网络对实验系统的时间演化进行了精确的预测。

文章链接：https://doi.org/10.1063/5.0033870