論文の概要: Randomized kernels for large scale Earth observation applications
- arxiv url: http://arxiv.org/abs/2012.03630v1
- Date: Mon, 7 Dec 2020 12:23:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:08:12.031606
- Title: Randomized kernels for large scale Earth observation applications
- Title（参考訳）: 大規模地球観測のためのランダム化カーネル
- Authors: Adri\'an P\'erez-Suay, Julia Amor\'os-L\'opez, Luis G\'omez-Chova,
Valero Laparra, Jordi Mu\~noz-Mar\'i, Gustau Camps-Valls
- Abstract要約: 本稿では,生物物理パラメータと画像分類問題の高速統計検索のための効率的なカーネル手法を提案する。
数百万の例と高次元を持つデータセットでは,カーネル回帰と分類が可能になった。
- 参考スコア（独自算出の注目度）: 8.835750299747229
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dealing with land cover classification of the new image sources has also
turned to be a complex problem requiring large amount of memory and processing
time. In order to cope with these problems, statistical learning has greatly
helped in the last years to develop statistical retrieval and classification
models that can ingest large amounts of Earth observation data. Kernel methods
constitute a family of powerful machine learning algorithms, which have found
wide use in remote sensing and geosciences. However, kernel methods are still
not widely adopted because of the high computational cost when dealing with
large scale problems, such as the inversion of radiative transfer models or the
classification of high spatial-spectral-temporal resolution data. This paper
introduces an efficient kernel method for fast statistical retrieval of
bio-geo-physical parameters and image classification problems. The method
allows to approximate a kernel matrix with a set of projections on random bases
sampled from the Fourier domain. The method is simple, computationally very
efficient in both memory and processing costs, and easily parallelizable. We
show that kernel regression and classification is now possible for datasets
with millions of examples and high dimensionality. Examples on atmospheric
parameter retrieval from hyperspectral infrared sounders like IASI/Metop; large
scale emulation and inversion of the familiar PROSAIL radiative transfer model
on Sentinel-2 data; and the identification of clouds over landmarks in time
series of MSG/Seviri images show the efficiency and effectiveness of the
proposed technique.
- Abstract（参考訳）: 新たな画像ソースの土地被覆分類による処理も、大量のメモリと処理時間を必要とする複雑な問題となっている。
これらの問題に対処するために、統計学習は過去数年間で大量の地球観測データを取り込みうる統計検索と分類モデルの開発に大いに役立っている。
カーネル手法は、リモートセンシングや地球科学で広く使われている強力な機械学習アルゴリズムのファミリーを構成する。
しかし、放射伝達モデルの反転や高空間スペクトル・時間分解能データの分類といった大規模問題を扱う場合の計算コストが高いため、カーネル法はまだ広く採用されていない。
本稿では,生物物理パラメータと画像分類問題の高速統計検索のための効率的なカーネル手法を提案する。
この方法では、フーリエ領域からサンプリングされたランダム基底上の一連の射影を持つカーネル行列を近似することができる。
この手法は単純で、メモリと処理コストの両方において計算効率が良く、容易に並列化できる。
数百万の例と高次元を持つデータセットでは,カーネル回帰と分類が可能になった。
IASI/Metopのような高スペクトル赤外音源からの大気パラメータ抽出,Sentinel-2データ上での使い慣れたProSAIL放射移動モデルの大規模エミュレーションとインバージョン,MSG/Seviri画像の時系列におけるランドマーク上の雲の同定などの例は,提案手法の有効性と有効性を示している。
関連論文リスト
- Deep Generative Data Assimilation in Multimodal Setting [0.1052166918701117]
本研究では,マルチモーダル・セッティングにおけるスコアベースラテント・アシミレーション(SLAMS)を提案する。
気象観測所のデータと衛星画像とを同化して、垂直温度分布を世界規模で校正する。
私たちの研究は、実世界のデータセットを用いたマルチモーダルデータ同化に、初めて深層生成フレームワークを適用しました。
論文 参考訳（メタデータ） (2024-04-10T00:25:09Z) - Gaussian Ensemble Belief Propagation for Efficient Inference in High-Dimensional Systems [3.6773638205393198]
高次元モデルにおける効率的な推論は、機械学習における中心的な課題である。
本稿では Ensemble Kalman Filter (EnKF) と Gaussian Belief Propagation (GaBP) を紹介する。
GEnBPは、グラフィカルモデルのエッジに低ランクのローカルメッセージを渡すことで、先行サンプルのアンサンブルを後続サンプルに更新する。
論文 参考訳（メタデータ） (2024-02-13T03:31:36Z) - RFFNet: Large-Scale Interpretable Kernel Methods via Random Fourier Features [3.0079490585515347]
RFFNetは1次最適化によってカーネルの関連性をリアルタイムで学習するスケーラブルな手法である。
提案手法はメモリフットプリントが小さく,実行時,予測誤差が低く,関連する特徴を効果的に識別できることを示す。
私たちは、Scikit-learn標準APIと結果を完全に再現するためのコードに準拠した、効率的でPyTorchベースのライブラリをユーザに提供します。
論文 参考訳（メタデータ） (2022-11-11T18:50:34Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Adaptive Local Kernels Formulation of Mutual Information with
Application to Active Post-Seismic Building Damage Inference [1.066048003460524]
地震後の建築物の地域被害評価は高価な作業である。
相互情報の情報理論尺度は,サンプルの有効性を評価する上で最も有効な基準の一つである。
計算コストを削減するためにローカルカーネル戦略が提案されたが、観測されたラベルへのカーネルの適応性は考慮されなかった。
本稿では,観測された出力データに対するカーネルの適合性を実現するための適応型ローカルカーネル手法を開発した。
論文 参考訳（メタデータ） (2021-05-24T18:34:46Z) - 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) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z)
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。