論文の概要: Latent Space Data Assimilation by using Deep Learning

• arxiv url: http://arxiv.org/abs/2104.00430v1
• Date: Thu, 1 Apr 2021 12:25:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 23:01:19.417480
• Title: Latent Space Data Assimilation by using Deep Learning
• Title（参考訳）: ディープラーニングを用いた潜在空間データ同化
• Authors: Mathis Peyron, Anthony Fillion, Selime G\"urol, Victor Marchais, Serge Gratton, Pierre Boudier and Gael Goret
• Abstract要約: データ同化(DA)を低コストで行うことは、地球系のモデリングにおいて主要な関心事である。 daフレームワークにディープラーニング(dl)メソッドを組み込んでいます。 本稿では,オートエンコーダ(AE)による潜時構造を利用して,モデル誤差(ETKF-Q)を潜時空間に有するEnsemble Transform Kalman Filterを設計する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performing Data Assimilation (DA) at a low cost is of prime concern in Earth system modeling, particularly at the time of big data where huge quantities of observations are available. Capitalizing on the ability of Neural Networks techniques for approximating the solution of PDE's, we incorporate Deep Learning (DL) methods into a DA framework. More precisely, we exploit the latent structure provided by autoencoders (AEs) to design an Ensemble Transform Kalman Filter with model error (ETKF-Q) in the latent space. Model dynamics are also propagated within the latent space via a surrogate neural network. This novel ETKF-Q-Latent (thereafter referred to as ETKF-Q-L) algorithm is tested on a tailored instructional version of Lorenz 96 equations, named the augmented Lorenz 96 system: it possesses a latent structure that accurately represents the observed dynamics. Numerical experiments based on this particular system evidence that the ETKF-Q-L approach both reduces the computational cost and provides better accuracy than state of the art algorithms, such as the ETKF-Q.
• Abstract（参考訳）: データ・アシミレーション(DA)を低コストで行うことは、地球系のモデリング、特に膨大な量の観測が可能なビッグデータにおいて、主要な関心事である。 PDEの解を近似するニューラルネットワーク技術を活用し,ディープラーニング(DL)手法をDAフレームワークに組み込む。 より正確には、オートエンコーダ(AE)が提供する潜時構造を利用して、潜時空間にモデル誤差(ETKF-Q)を持つアンサンブル変換カルマンフィルタを設計する。 モデルダイナミクスは、代理ニューラルネットワークを介して潜在空間内でも伝播する。 このETKF-Q-Latentアルゴリズム(後にETKF-Q-Lと呼ばれる)は、ロレンツ96方程式の調整された命令バージョンでテストされ、拡張ロレンツ96系と呼ばれる。 このシステムに基づく数値実験により、ETKF-Q-Lアプローチはともに計算コストを低減し、ETKF-Qのような最先端のアルゴリズムよりも精度が高いことが証明された。

関連論文リスト

• AI-Aided Kalman Filters [65.35350122917914]
  カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。 最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。 本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:53Z)
• Balanced Neural ODEs: nonlinear model order reduction and Koopman operator approximations [0.0]
  変分オートエンコーダ(VAE)はコンパクトな潜在表現を学習するための強力なフレームワークである。 ニューラルネットワークは過渡系力学の学習において優れている。 この研究は両者の強みを組み合わせることで、高速な代理モデルと調整可能な複雑さを生み出す。
  論文  参考訳（メタデータ） (2024-10-14T05:45:52Z)
• Parametric Taylor series based latent dynamics identification neural networks [0.3139093405260182]
  非線形力学の新しい潜在的同定法であるP-TLDINetを導入する。 これはテイラー級数展開とResNetsに基づく新しいニューラルネットワーク構造に依存している。
  論文  参考訳（メタデータ） (2024-10-05T15:10:32Z)
• CGNSDE: Conditional Gaussian Neural Stochastic Differential Equation for Modeling Complex Systems and Data Assimilation [1.4322470793889193]
  条件付きニューラル微分方程式(CGNSDE)と呼ばれる新しい知識ベースおよび機械学習ハイブリッドモデリング手法を開発した。 標準的なニューラルネットワーク予測モデルとは対照的に、CGNSDEは前方予測タスクと逆状態推定問題の両方に効果的に取り組むように設計されている。
  論文  参考訳（メタデータ） (2024-04-10T05:32:03Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
  我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。 まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
  我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。 数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
  論文  参考訳（メタデータ） (2023-01-30T04:58:40Z)
• Parameterized Consistency Learning-based Deep Polynomial Chaos Neural Network Method for Reliability Analysis in Aerospace Engineering [3.541245871465521]
  ポリノミアルカオス展開(PCE)は航空宇宙工学における強力な代理モデル信頼性解析手法である。 そこで本研究では,パラメータ化された一貫性学習に基づく深層カオスニューラルネットワーク(Deep PCNN)手法を提案する。 Deep PCNN法は、高次PCEモデルを構築する際のトレーニングデータコストを大幅に削減することができる。
  論文  参考訳（メタデータ） (2022-03-29T15:15:12Z)
• A novel Deep Neural Network architecture for non-linear system identification [78.69776924618505]
  非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。 メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。 このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
  論文  参考訳（メタデータ） (2021-06-06T10:06:07Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。