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
- Interpretable Climate Change Modeling With Progressive Cascade Networks [0.618778092044887]
ディープラーニング分野の研究は、ディープニューラルネットワークを解釈する新しい手法を積極的に追求している。
地球温度と降水量を年数にマッピングするモデルを用いて、気候の変化に関連するパターンを調査する。
論文 参考訳(メタデータ) (2022-05-12T20:31:34Z) - Learning from few examples with nonlinear feature maps [68.8204255655161]
我々はこの現象を探求し、AIモデルの特徴空間の次元性、データ分散の非退化、モデルの一般化能力の間の重要な関係を明らかにする。
本分析の主な推力は、元のデータを高次元および無限次元空間にマッピングする非線形特徴変換が結果のモデル一般化能力に与える影響である。
論文 参考訳(メタデータ) (2022-03-31T10:36:50Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - 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) - CateCom: a practical data-centric approach to categorization of
computational models [77.34726150561087]
本稿では,物理モデルとデータ駆動型計算モデルのランドスケープを整理する取り組みについて述べる。
オブジェクト指向設計の概念を適用し、オープンソース協調フレームワークの基礎を概説する。
論文 参考訳(メタデータ) (2021-09-28T02:59:40Z) - Measuring global properties of neural generative model outputs via
generating mathematical objects [0.0]
我々は反射性ポリトープのデータセットで深層生成モデルを訓練する。
これにより、モデルが生成したサンプルの様々なグローバルな特性をいかにうまく捉えたかを比較することができる。
また、モデルが単にデータを記憶している程度をチェックするテストも行います。
論文 参考訳(メタデータ) (2021-05-28T08:38:18Z) - Breiman's two cultures: You don't have to choose sides [10.695407438192527]
Breiman氏の古典的な論文は、2つの文化の選択肢としてデータ分析をキャストする。
データモデラーは、データ解析によく理解された理論的特性を持つ単純な解釈可能なモデルを使用する。
アルゴリズムモデラーは予測精度を優先順位付けし、より柔軟な関数近似を用いてデータを分析する。
論文 参考訳(メタデータ) (2021-04-25T17:58:46Z) - Progressive-X+: Clustering in the Consensus Space [71.44083115866188]
本稿では,未知数の幾何モデル,例えばホモグラフを求める新しいアルゴリズムを提案する。
この問題は、spash point-to-model代入を形成することなく、支配的なモデルインスタンスを段階的に見つけることで形式化される。
この新たな定式化は、多くの視覚問題に対してリアルタイムに実行しながら、最先端の精度で単純な反復アルゴリズムをもたらす。
論文 参考訳(メタデータ) (2021-03-25T14:35:07Z) - Data Augmentation for Abstractive Query-Focused Multi-Document
Summarization [129.96147867496205]
2つのQMDSトレーニングデータセットを提示し,2つのデータ拡張手法を用いて構築する。
これらの2つのデータセットは相補的な性質を持ち、すなわちQMDSCNNは実際のサマリを持つが、クエリはシミュレートされる。
組み合わせたデータセット上にエンドツーエンドのニューラルネットワークモデルを構築し、DUCデータセットに最新の転送結果をもたらします。
論文 参考訳(メタデータ) (2021-03-02T16:57:01Z)
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。