論文の概要: Mapping and Describing Geospatial Data to Generalize Complex Mapping and
Describing Geospatial Data to Generalize Complex Models: The Case of
LittoSIM-GEN Models
- arxiv url: http://arxiv.org/abs/2101.07523v1
- Date: Tue, 19 Jan 2021 09:16:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 11:22:25.398926
- Title: Mapping and Describing Geospatial Data to Generalize Complex Mapping and
Describing Geospatial Data to Generalize Complex Models: The Case of
LittoSIM-GEN Models
- Title（参考訳）: 地理空間データのマッピングと記述 複雑なマッピングを一般化し、地理空間データを記述して複雑なモデルを一般化する:littosim-genモデルの場合
- Authors: Ahmed Laatabi, Nicolas Becu (LIENSs), Nicolas Marilleau (UMMISCO),
C\'ecilia Pignon-Mussaud (LIENSs), Marion Amalric (CITERES), X. Bertin
(LIENSs), Brice Anselme (PRODIG), Elise Beck (PACTE)
- Abstract要約: エージェントベースモデルへの地理空間データの統合を構築・記述・自動化するためのマッピング手法を提案する。
この論文はLittoSIM-GENプロジェクトの一部であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For some scientific questions, empirical data are essential to develop
reliable simulation models. These data usually come from different sources with
diverse and heterogeneous formats. The design of complex data-driven models is
often shaped by the structure of the data available in research projects.
Hence, applying such models to other case studies requires either to get
similar data or to transform new data to fit the model inputs. It is the case
of agent-based models (ABMs) that use advanced data structures such as
Geographic Information Systems data. We faced this problem in the LittoSIM-GEN
project when generalizing our participatory flooding model (LittoSIM) to new
territories. From this experience, we provide a mapping approach to structure,
describe, and automatize the integration of geospatial data into ABMs.
- Abstract（参考訳）: 科学的質問の中には、信頼できるシミュレーションモデルを開発するために経験的データが不可欠であるものもある。
これらのデータは、通常、多様で異種なフォーマットの異なるソースから来る。
複雑なデータ駆動モデルの設計は、しばしば研究プロジェクトで利用可能なデータの構造によって形成される。
したがって、このようなモデルを他のケーススタディに適用するには、同様のデータを取得するか、モデル入力に合うように新しいデータを変換する必要がある。
これは、地理情報システムデータなどの高度なデータ構造を使用するエージェントベースモデル(ABM)のケースである。
我々は,LittoSIM-GENプロジェクトにおいて,我々の参加型洪水モデル(LittoSIM)を新たな領域に一般化する際に,この問題に直面した。
この経験から,地理空間データのabmへの統合を構造化,記述,自動化するためのマッピング手法を提案する。
関連論文リスト
- T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified
Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。
本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。
モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文 参考訳（メタデータ） (2023-05-24T03:32:03Z) - Probabilistic Point Cloud Modeling via Self-Organizing Gaussian Mixture
Models [19.10047652180224]
有限ガウス混合モデル(GMM)を用いた空間点雲データの連続確率論的モデリング手法を提案する。
我々は,センサデータの関連情報に基づいて,情報理論学習の自己組織化原理を用いて,GMMモデルの複雑さを自動的に適応する。
このアプローチは、シーンの複雑さの異なる実世界のデータ上で、既存のポイントクラウドモデリング技術に対して評価される。
論文 参考訳（メタデータ） (2023-01-31T19:28:00Z) - Towards a mathematical understanding of learning from few examples with
nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。
我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文 参考訳（メタデータ） (2022-11-07T14:52:58Z) - Modular machine learning-based elastoplasticity: generalization in the
context of limited data [0.0]
エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。
発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
論文 参考訳（メタデータ） (2022-10-15T17:35:23Z) - Towards Understanding and Mitigating Dimensional Collapse in
Heterogeneous Federated Learning [114.32726625370258]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳（メタデータ） (2022-10-01T09:04:17Z) - DagSim: Combining DAG-based model structure with unconstrained data
types and relations for flexible, transparent, and modularized data
simulation [2.685173014586162]
DAGベースのデータシミュレーションのためのPythonベースのフレームワークであるDagSimについて,変数型や関数関係に制約を加えることなく紹介する。
シミュレーションモデル構造を定義するための簡潔なYAMLフォーマットは透明性を促進する。
メタデータ変数が画像の形状を制御したり、バイオシーケンスのパターンを制御したりするユースケースを通して、DagSimの能力について説明する。
論文 参考訳（メタデータ） (2022-05-06T17:43:27Z) - Joint Gaussian Graphical Model Estimation: A Survey [31.811209829224293]
複雑なシステムからのグラフは、個々の特徴を維持しながらドメイン全体の部分的な基盤構造を共有することが多い。
成長する証拠は、ドメイン間の共有構造がグラフの推定能力を高めることを示している。
共同ガウス図形モデルの統計的推測に関する最近の研究を概観する。
論文 参考訳（メタデータ） (2021-10-19T21:56:27Z) - An Ample Approach to Data and Modeling [1.0152838128195467]
さまざまな分野の概念とメソッドを統合するモデルの構築方法をモデル化するためのフレームワークについて説明する。
参照M*メタモデルフレームワークは、厳密な同値関係の観点からデータセットと各モデルの関連付けに批判的に依存する。
開発されたフレームワークがデータクラスタリング、複雑性、共同研究、ディープラーニング、クリエイティビティに関する洞察を提供する方法について、いくつかの考察がなされている。
論文 参考訳（メタデータ） (2021-10-05T01:26:09Z) - Generalization in NLI: Ways (Not) To Go Beyond Simple Heuristics [78.6177778161625]
BERTアーキテクチャにおけるNLIの一般化のケーススタディを行う。
2つの成功と3つの失敗戦略を報告し、いずれもTransformerベースのモデルがどのように一般化するかについての洞察を提供する。
論文 参考訳（メタデータ） (2021-10-04T15:37:07Z) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-22T20:19:41Z) - Data from Model: Extracting Data from Non-robust and Robust Models [83.60161052867534]
この研究は、データとモデルの関係を明らかにするために、モデルからデータを生成する逆プロセスについて検討する。
本稿では,データ・トゥ・モデル(DtM)とデータ・トゥ・モデル(DfM)を連続的に処理し,特徴マッピング情報の喪失について検討する。
以上の結果から,DtMとDfMの複数シーケンスの後にも,特にロバストモデルにおいて精度低下が制限されることが示唆された。
論文 参考訳（メタデータ） (2020-07-13T05:27:48Z)
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。