論文の概要: A Perspective on Gaussian Processes for Earth Observation

• arxiv url: http://arxiv.org/abs/2007.01238v1
• Date: Thu, 2 Jul 2020 16:44:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 13:51:12.304132
• Title: A Perspective on Gaussian Processes for Earth Observation
• Title（参考訳）: 地球観測におけるガウス過程の展望
• Authors: Gustau Camps-Valls and Dino Sejdinovic and Jakob Runge and Markus Reichstein
• Abstract要約: 空中・衛星リモートセンシングとその場観測による地球観測は、地球をモニタリングする上で重要な役割を担っている。 特に、機械学習とガウス過程(GP)は、生物地球物理変数の推定において際立った結果を得た。 前方および逆モデリングの大幅な進歩にもかかわらず、GPモデルは依然として重要な課題に直面しなければならない。
• 参考スコア（独自算出の注目度）: 23.66931064985429
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Earth observation (EO) by airborne and satellite remote sensing and in-situ observations play a fundamental role in monitoring our planet. In the last decade, machine learning and Gaussian processes (GPs) in particular has attained outstanding results in the estimation of bio-geo-physical variables from the acquired images at local and global scales in a time-resolved manner. GPs provide not only accurate estimates but also principled uncertainty estimates for the predictions, can easily accommodate multimodal data coming from different sensors and from multitemporal acquisitions, allow the introduction of physical knowledge, and a formal treatment of uncertainty quantification and error propagation. Despite great advances in forward and inverse modelling, GP models still have to face important challenges that are revised in this perspective paper. GP models should evolve towards data-driven physics-aware models that respect signal characteristics, be consistent with elementary laws of physics, and move from pure regression to observational causal inference.
• Abstract（参考訳）: 空中・衛星リモートセンシングとその場観測による地球観測(EO)は、地球をモニタリングする上で基本的な役割を果たす。 過去10年間で、特に機械学習とガウス過程(GP)は、局所的およびグローバルなスケールで取得した画像から、時間分解された方法で生物地球物理変数を推定する際、顕著な結果を得た。 GPは正確な推定だけでなく、予測のための原理化された不確実性推定も提供し、異なるセンサーや時間的取得から得られるマルチモーダルデータを容易に取り扱えるようにし、物理的知識の導入を可能にし、不確実性定量化とエラー伝播の正式な処理を行う。 前向きおよび逆モデリングの進歩にもかかわらず、GPモデルは、この視点の論文で改訂された重要な課題に直面する必要がある。 gpモデルは、信号特性を尊重し、物理の基本法則と一致し、純粋回帰から観測因果推論に移行するデータ駆動物理認識モデルへと進化するべきである。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Learning inducing points and uncertainty on molecular data by scalable variational Gaussian processes [0.0]
  分子記述子空間における誘導点の変動学習は、2つの分子動力学データセット上でのエネルギーと原子力の予測を改善することを示す。 本研究は大規模分子結晶系に拡張し, データセットのスパース表現を効率よく学習することにより, 原子間力の予測に優れた変動GPモデルを示す。
  論文  参考訳（メタデータ） (2022-07-16T10:41:41Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Deep Gaussian Processes for Biogeophysical Parameter Retrieval and Model Inversion [14.097477944789484]
  本稿では,生物地球物理モデルインバージョンにおける深部ガウス過程 (DGP) の利用について紹介する。 浅いGPモデルとは異なり、DGPは複雑な(モジュラーで階層的な)プロセスを説明し、大きなデータセットによくスケールする効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2021-04-16T10:42:01Z)
• 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)
• Learning Structures in Earth Observation Data with Gaussian Processes [67.27044745471207]
  本稿では,この分野の主要な理論gp開発について概説する。 信号特性と雑音特性を尊重し、特徴ランキングを自動的に提供し、関連する不確かさ区間を適用可能にする新しいアルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2020-12-22T10:46:37Z)
• Warped Gaussian Processes in Remote Sensing Parameter Estimation and Causal Inference [7.811118301686077]
  マルチスペクトルデータから海洋クロロフィル含有量を推定するための提案モデルの良好な性能を示す。 モデルは標準GPおよびより高度のheteroscedastic GPモデルより一貫してよく実行します。
  論文  参考訳（メタデータ） (2020-12-09T09:02:59Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Transport Gaussian Processes for Regression [0.22843885788439797]
  本稿では,GP,ワープGP,学生プロセスなどを含むプロセス構築手法を提案する。 私たちのアプローチはレイヤベースのモデルにインスパイアされ、各レイヤが生成されたプロセス上で特定のプロパティを変更する。 実世界のデータを用いた実験により,提案モデルの有効性を検証した。
  論文  参考訳（メタデータ） (2020-01-30T17:44:21Z)

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。