論文の概要: Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences

• arxiv url: http://arxiv.org/abs/2002.01706v1
• Date: Wed, 5 Feb 2020 10:11:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:57:42.544744
• Title: Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences
• Title（参考訳）: 地震発生時の半パラメトリックベイズ予測
• Authors: Aleksandar A. Kolev, Gordon J. Ross
• Abstract要約: 本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
• 参考スコア（独自算出の注目度）: 77.68028443709338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-exciting Hawkes processes are used to model events which cluster in time and space, and have been widely studied in seismology under the name of the Epidemic Type Aftershock Sequence (ETAS) model. In the ETAS framework, the occurrence of the mainshock earthquakes in a geographical region is assumed to follow an inhomogeneous spatial point process, and aftershock events are then modelled via a separate triggering kernel. Most previous studies of the ETAS model have relied on point estimates of the model parameters due to the complexity of the likelihood function, and the difficulty in estimating an appropriate mainshock distribution. In order to take estimation uncertainty into account, we instead propose a fully Bayesian formulation of the ETAS model which uses a nonparametric Dirichlet process mixture prior to capture the spatial mainshock process. Direct inference for the resulting model is problematic due to the strong correlation of the parameters for the mainshock and triggering processes, so we instead use an auxiliary latent variable routine to perform efficient inference.
• Abstract（参考訳）: 自励するホークス過程は時間と空間にクラスターする事象をモデル化するために用いられ、エピデミック型余震系列(ETAS)モデルの名称で地震学で広く研究されている。 ETASフレームワークでは、地理的領域における主震の発生は不均一な空間点過程を辿ると仮定し、その後、余震は別個のトリガカーネルを介してモデル化される。 ETASモデルのこれまでの研究は、確率関数の複雑さと適切な主衝撃分布を推定することの難しさにより、モデルパラメータの点推定に頼っていた。 推定の不確実性を考慮するために,空間主衝撃過程の捕捉に先立って非パラメトリックディリクレ過程の混合を用いるETASモデルのベイズ的完全定式化を提案する。 結果モデルの直接推論は,主ショックおよびトリガー過程のパラメータの強い相関関係から問題となるため,より効率的な推論を行うために補助的な潜在変数ルーチンを用いる。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Estimation of spatio-temporal extremes via generative neural networks [0.0]
  利用可能なデータが少ない空間的極端を解析するための統一的なアプローチを提供する。 生成ニューラルネットワークの最近の発展を活用して、完全なサンプルベースの分布を予測する。 提案手法は,複数のシミュレーションされた最大安定過程を適合させて検証し,高精度なアプローチを示す。
  論文  参考訳（メタデータ） (2024-07-11T16:57:17Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
  本研究では,連続時間モデルから因果構造を抽出する機構を提案する。 我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。 本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
  論文  参考訳（メタデータ） (2022-10-10T18:53:13Z)
• Machine learning based surrogate modeling with SVD enabled training for nonlinear civil structures subject to dynamic loading [0.0]
  本稿では,地震を予測するための機械学習に基づく代理モデルフレームワークを提案する。 1階建てと3階建ての建物のピーク応答をうまく予測するために、このフレームワークを用いて検証する。
  論文  参考訳（メタデータ） (2022-06-12T11:57:58Z)
• Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics [85.31247588089686]
  変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。 ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
  論文  参考訳（メタデータ） (2021-07-08T03:40:18Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Constraining subglacial processes from surface velocity observations using surrogate-based Bayesian inference [0.0]
  基底運動は、南極の外での氷の流束の主要なメカニズムであるが、それを予測するための広く適用可能なモデルである。 これは、小規模のベッド特性の観察と、基底運動が依存する時間変化水圧の予測の両方が困難であるためである。 我々は、グリーンランド南西部の表面速度の観測に基づく氷力学と氷下水理の結合モデルと条件付けにより、これらの問題にベイズ的アプローチを採っている。
  論文  参考訳（メタデータ） (2020-06-22T16:47:33Z)
• Causal Modeling with Stochastic Confounders [11.881081802491183]
  この作業は、共同設立者との因果推論を拡張します。 本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-24T00:34:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。