論文の概要: Bayesian deep learning for mapping via auxiliary information: a new era for geostatistics?

• arxiv url: http://arxiv.org/abs/2008.07320v3
• Date: Tue, 8 Sep 2020 20:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 03:24:58.333760
• Title: Bayesian deep learning for mapping via auxiliary information: a new era for geostatistics?
• Title（参考訳）: 補助情報によるマッピングのためのベイズ深層学習:地球統計学の新しい時代?
• Authors: Charlie Kirkwood, Theo Economou, Nicolas Pugeault
• Abstract要約: 深層ニューラルネットワークが、ポイントサンプリング対象変数とグリッド化された補助変数の間の複雑な関係をいかに学習できるかを示す。 モンテカルロ・ドロップアウト (Monte Carlo dropout) として知られるベイズ近似を用いて不確実性の推定値を得る。
• 参考スコア（独自算出の注目度）: 3.5450828190071655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For geospatial modelling and mapping tasks, variants of kriging - the spatial interpolation technique developed by South African mining engineer Danie Krige - have long been regarded as the established geostatistical methods. However, kriging and its variants (such as regression kriging, in which auxiliary variables or derivatives of these are included as covariates) are relatively restrictive models and lack capabilities that have been afforded to us in the last decade by deep neural networks. Principal among these is feature learning - the ability to learn filters to recognise task-specific patterns in gridded data such as images. Here we demonstrate the power of feature learning in a geostatistical context, by showing how deep neural networks can automatically learn the complex relationships between point-sampled target variables and gridded auxiliary variables (such as those provided by remote sensing), and in doing so produce detailed maps of chosen target variables. At the same time, in order to cater for the needs of decision makers who require well-calibrated probabilities, we obtain uncertainty estimates via a Bayesian approximation known as Monte Carlo dropout. In our example, we produce a national-scale probabilistic geochemical map from point-sampled assay data, with auxiliary information provided by a terrain elevation grid. Unlike traditional geostatistical approaches, auxiliary variable grids are fed into our deep neural network raw. There is no need to provide terrain derivatives (e.g. slope angles, roughness, etc) because the deep neural network is capable of learning these and arbitrarily more complex derivatives as necessary to maximise predictive performance. We hope our results will raise awareness of the suitability of Bayesian deep learning - and its feature learning capabilities - for large-scale geostatistical applications where uncertainty matters.
• Abstract（参考訳）: 地理空間モデリングとマッピングのタスクでは、南アフリカの鉱山技術者Danie Krigeによって開発された空間補間技術であるクリグの変種が、確立された統計学的手法とみなされてきた。 しかし、リグレッション・クリッギングとその変種(回帰クリッギングなど、補助変数やそれらの誘導体が共変体として含まれる)は比較的限定的なモデルであり、深層ニューラルネットワークによって過去10年間に我々に与えられた能力の欠如である。 機能学習 - イメージなどのグリッド化されたデータの中で、タスク固有のパターンを認識するフィルタを学習する機能。 ここでは、深層ニューラルネットワークが、ポイントサンプリングされたターゲット変数とグリッド化された補助変数(リモートセンシングによって提供されるものなど)の間の複雑な関係を自動的に学習し、選択されたターゲット変数の詳細なマップを生成する方法を示す。 同時に、適切に調整された確率を必要とする意思決定者のニーズを満たすために、モンテカルロ・ドロップアウトとして知られるベイズ近似による不確実性推定を求める。 この例では,測点データから全国規模の確率的地球化学マップを作成し,地形高度グリッドによる補助情報を得た。 従来の統計手法とは異なり、補助的な可変格子はニューラルネットワークの生に供給される。 深層ニューラルネットワークはこれらを学習でき、予測性能を最大化するために必要に応じて任意に複雑な微分を提供することができるため、地形微分(例えば傾斜角、粗さなど)を提供する必要はない。 我々は,この結果がベイズ深層学習の適合性や,不確実性が問題となる大規模地球統計学応用のための機能学習能力の認知度を高めることを期待している。

関連論文リスト

• Enhancing Lithological Mapping with Spatially Constrained Bayesian Network (SCB-Net): An Approach for Field Data-Constrained Predictions with Uncertainty Evaluation [0.0]
  SCB-Netは、空間的に制約された予測を生成しながら、補助変数からの情報を効果的に活用することを目的としている。 SCB-Netはカナダのケベック州北部の2つの地域に適用されている。 この研究は、特に複雑な空間的特徴学習タスクの処理において、ジオリニアにおけるディープニューラルネットワークの有望な進歩を強調した。
  論文  参考訳（メタデータ） (2024-03-29T14:17:30Z)
• Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
  グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。 既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。 本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T03:55:37Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Likelihood-Free Parameter Estimation with Neural Bayes Estimators [0.0]
  ニューラルネットワークは、データをパラメータポイント推定にマッピングするニューラルネットワークである。 我々は,この比較的新しい推論ツールに対する統計学者の意識を高め,ユーザフレンドリーなオープンソースソフトウェアを提供することで,その採用を促進することを目的としている。
  論文  参考訳（メタデータ） (2022-08-27T06:58:16Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
  ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。 提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
  論文  参考訳（メタデータ） (2022-03-08T09:57:48Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Bayesian graph convolutional neural networks via tempered MCMC [0.41998444721319217]
  畳み込みニューラルネットワークのようなディープラーニングモデルは、画像やマルチメディアタスクに長い間適用されてきた。 最近では、グラフで表現できる非構造化データにもっと注意が払われている。 これらのタイプのデータは、健康と医学、ソーシャルネットワーク、および研究データリポジトリでよく見られます。
  論文  参考訳（メタデータ） (2021-04-17T04:03:25Z)
• Deep covariate-learning: optimising information extraction from terrain texture for geostatistical modelling applications [0.0]
  測地モデルでは,デジタル標高モデルからできるだけ多くのタスク関連情報を抽出することが望ましい。 本稿では,標準SRTM 90m格子デジタル標高モデル(DEM)からタスク固有の地形テクスチャを自動抽出するディープラーニング手法の形でこの問題の解決法を提案する。 対象変数については, 河川堆積物中のカリウム, カルシウム, ヒ素の濃度について, 英国地質調査所の地化学データを用いて検討した。
  論文  参考訳（メタデータ） (2020-05-22T14:00:28Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。