論文の概要: Ensembling geophysical models with Bayesian Neural Networks

• arxiv url: http://arxiv.org/abs/2010.03561v1
• Date: Wed, 7 Oct 2020 18:32:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 22:43:59.359530
• Title: Ensembling geophysical models with Bayesian Neural Networks
• Title（参考訳）: ベイズニューラルネットワークを用いた物理モデルの構築
• Authors: Ushnish Sengupta, Matt Amos, J. Scott Hosking, Carl Edward Rasmussen, Matthew Juniper, Paul J. Young
• Abstract要約: 我々は物理モデルを組み合わせるための新しいデータ駆動型アンサンブル戦略を開発した。 BayNNEは既存のアンサンブル法を上回り、時間外挿のためのRMSEを49.4%削減した。 不確実性も良好で、検証データセットのデータポイントの90.6%が2つの標準偏差内にある。
• 参考スコア（独自算出の注目度）: 11.972384567130268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensembles of geophysical models improve projection accuracy and express uncertainties. We develop a novel data-driven ensembling strategy for combining geophysical models using Bayesian Neural Networks, which infers spatiotemporally varying model weights and bias while accounting for heteroscedastic uncertainties in the observations. This produces more accurate and uncertainty-aware projections without sacrificing interpretability. Applied to the prediction of total column ozone from an ensemble of 15 chemistry-climate models, we find that the Bayesian neural network ensemble (BayNNE) outperforms existing ensembling methods, achieving a 49.4% reduction in RMSE for temporal extrapolation, and a 67.4% reduction in RMSE for polar data voids, compared to a weighted mean. Uncertainty is also well-characterized, with 90.6% of the data points in our extrapolation validation dataset lying within 2 standard deviations and 98.5% within 3 standard deviations.
• Abstract（参考訳）: 物理モデルの集合は投影精度を改善し、不確実性を表現する。 我々はベイジアンニューラルネットワークを用いて物理モデルを組み合わせるための新しいデータ駆動型アンサンブル戦略を開発し,観測における不確定性を考慮した時空間的に異なるモデル重みとバイアスを推定する。 これにより、解釈性を犠牲にすることなく、より正確で不確実性のある射影を生成する。 15の化学気候モデルのアンサンブルからの全カラムオゾンを予測した結果、ベイズ型ニューラルネットワークアンサンブル (baynne) は、時間外挿では rmse を49.4% 削減し、重み付け平均と比較して極性データ空隙では rmse を67.4% 削減した。 不確実性はよく特徴付けられており、外挿検証データセットのデータポイントの90.6%は標準偏差2つ、98.5%は標準偏差3つ以内である。

関連論文リスト

• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Uncertainty Quantification Techniques for Space Weather Modeling: Thermospheric Density Application [0.0]
  熱圏密度を予測する非線形MLモデルを開発するための2つの手法を提案する。 ローカルおよびグローバルデータセットでトレーニングされたモデルの性能を示す。 精度の高い不確実性推定値を用いて,独立テストデータ上で11%の誤差を達成した。
  論文  参考訳（メタデータ） (2022-01-06T14:17:50Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
  本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。 量子物理学の摂動理論を用いてモーメント分解問題を定式化する。 我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
  論文  参考訳（メタデータ） (2021-09-22T17:55:09Z)
• Calibration and Uncertainty Quantification of Bayesian Convolutional Neural Networks for Geophysical Applications [0.0]
  このような地下モデルによる予測の不確実性は、キャリブレーションされた確率と関連する不確かさを予測に組み込むのが一般的である。 一般的なディープラーニングベースのモデルは、しばしば誤解され、決定論的性質のため、予測の不確実性を解釈する手段がないことが示されている。 ベイズ形式論における畳み込みニューラルネットワークに基づく確率モデルを得るための3つの異なるアプローチを比較した。
  論文  参考訳（メタデータ） (2021-05-25T17:54:23Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Bayesian Graph Neural Networks for Molecular Property Prediction [15.160090982544867]
  本研究では、QM9回帰データセットを用いて、有向MPNNに適用されたベイズ的手法のセットをベンチマークする。 読み出しパラメータとメッセージパッシングパラメータの両方で不確実性を捕捉すると、下流分子探索タスクにおける予測精度、キャリブレーション、性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-11-25T22:32:54Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。