論文の概要: Data Assimilation in the Latent Space of a Neural Network

• arxiv url: http://arxiv.org/abs/2012.12056v1
• Date: Tue, 22 Dec 2020 14:43:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:41:42.113835
• Title: Data Assimilation in the Latent Space of a Neural Network
• Title（参考訳）: ニューラルネットワークの潜時空間におけるデータ同化
• Authors: Maddalena Amendola, Rossella Arcucci, Laetitia Mottet, Cesar Quilodran Casas, Shiwei Fan, Christopher Pain, Paul Linden, Yi-Ke Guo
• Abstract要約: 縮小次数モデリング技術は問題の次元性を低減するために用いられる。 我々は、データ同化と機械学習を組み合わせた潜在同化と呼ばれる新しい手法を定式化する。 この手法は、例えば、空気中のSARS-COV-2のようなウイルスの負荷をリアルタイムで予測するために、CO2濃度にリンクすることで使用できる。
• 参考スコア（独自算出の注目度）: 7.555120710924906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There is an urgent need to build models to tackle Indoor Air Quality issue. Since the model should be accurate and fast, Reduced Order Modelling technique is used to reduce the dimensionality of the problem. The accuracy of the model, that represent a dynamic system, is improved integrating real data coming from sensors using Data Assimilation techniques. In this paper, we formulate a new methodology called Latent Assimilation that combines Data Assimilation and Machine Learning. We use a Convolutional neural network to reduce the dimensionality of the problem, a Long-Short-Term-Memory to build a surrogate model of the dynamic system and an Optimal Interpolated Kalman Filter to incorporate real data. Experimental results are provided for CO2 concentration within an indoor space. This methodology can be used for example to predict in real-time the load of virus, such as the SARS-COV-2, in the air by linking it to the concentration of CO2.
• Abstract（参考訳）: 室内空気質問題に対処するためのモデルを構築する必要がある。 モデルが正確で高速であることから、問題の次元性を減らすために減数次モデリング技術が用いられる。 動的システムを表すモデルの精度は、データ同化技術を用いてセンサーから得られる実データの統合を改善している。 本稿では,データ同化と機械学習を組み合わせた潜在同化という新しい手法を提案する。 畳み込みニューラルネットワークを用いて,問題の次元性を低減し,動的システムのサロゲートモデルを構築するための長期メモリと,実データを取り込むための最適な補間カルマンフィルタを提案する。 室内空間内のCO2濃度を実験的に測定した。 この手法は、例えば、SARS-COV-2のような空気中のウイルスの負荷をリアルタイムで予測するために、CO2濃度にリンクすることで使用できる。

関連論文リスト

• Inpainting Computational Fluid Dynamics with Deep Learning [8.397730500554047]
  有効な流体データ補完法は、流体力学実験において必要なセンサー数を削減する。 流体データ完備化問題の誤った性質は、理論解を得るのを違法に困難にしている。 ベクトル量子化法を用いて、完全および不完全流体データ空間を離散値下次元表現にマッピングする。
  論文  参考訳（メタデータ） (2024-02-27T03:44:55Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Forecasting through deep learning and modal decomposition in two-phase concentric jets [2.362412515574206]
  本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。 燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
  論文  参考訳（メタデータ） (2022-12-24T12:59:41Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Generalised Latent Assimilation in Heterogeneous Reduced Spaces with Machine Learning Surrogate Models [10.410970649045943]
  我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。 一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2022-04-07T15:13:12Z)
• Learning the structure of wind: A data-driven nonlocal turbulence model for the atmospheric boundary layer [0.0]
  我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。 このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
  論文  参考訳（メタデータ） (2021-07-23T06:41:33Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard convection [0.0]
  モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。 我々のモデルは複雑なダイナミクスを学習することができると結論づける。
  論文  参考訳（メタデータ） (2021-01-27T11:27:16Z)

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。