論文の概要: State, global and local parameter estimation using local ensemble Kalman
filters: applications to online machine learning of chaotic dynamics
- arxiv url: http://arxiv.org/abs/2107.11253v2
- Date: Mon, 26 Jul 2021 08:46:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-27 10:22:34.725106
- Title: State, global and local parameter estimation using local ensemble Kalman
filters: applications to online machine learning of chaotic dynamics
- Title（参考訳）: 局所アンサンブルカルマンフィルタを用いた状態,グローバルおよび局所パラメータ推定:カオス力学のオンライン機械学習への応用
- Authors: Quentin Malartic, Alban Farchi, Marc Bocquet
- Abstract要約: より系統的に、共分散ローカライゼーションまたは局所領域を持つ局所アンサンブルカルマンフィルタを使用する可能性について検討する。
グローバルパラメータは代理ダイナミクスを表すことを意図しており、局所パラメータはモデルの強制力を表すのが一般的である。
本稿ではより一般的に,グローバルモデルパラメータとローカルモデルパラメータの両方をオンラインで推定する上で重要な課題について論じる。
- 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: In a recent methodological paper, we have shown how to learn chaotic dynamics
along with the state trajectory from sequentially acquired observations, using
local ensemble Kalman filters. Here, we more systematically investigate the
possibilty to use a local ensemble Kalman filter with either covariance
localization or local domains, in order to retrieve the state and a mix of key
global and local parameters. Global parameters are meant to represent the
surrogate dynamics, for instance through a neural network, which is reminiscent
of data-driven machine learning of dynamics, while the local parameters
typically stand for the forcings of the model. A family of algorithms for
covariance and local domain localization is proposed in this joint state and
parameter filter context. In particular, we show how to rigorously update
global parameters using a local domain EnKF such as the LETKF, an inherently
local method. The approach is tested with success on the 40-variable Lorenz
model using several of the local EnKF flavors. A two-dimensional illustration
based on a multi-layer Lorenz model is finally provided. It uses radiance-like
non-local observations, and both local domains and covariance localization in
order to learn the chaotic dynamics, the local forcings, and the couplings
between layers. This paper more generally addresses the key question of online
estimation of both global and local model parameters.
- Abstract（参考訳）: 最近の方法論論文では,局所アンサンブルカルマンフィルタを用いて,逐次的に得られた観測から状態軌跡とともにカオス力学を学習する方法を示した。
そこで本研究では,局所アンサンブルカルマンフィルタと共分散ローカライゼーション,あるいは局所ドメインを併用して,状態と鍵となるグローバルパラメータと局所パラメータの混合を検索する可能性について,より系統的に検討する。
グローバルパラメータは、例えばニューラルネットワークを通じて、ダイナミックスのデータ駆動機械学習を連想させる代理ダイナミクスを表現することを目的としており、ローカルパラメータは通常、モデルの強制力を表す。
この結合状態とパラメータフィルタの文脈において,共分散と局所領域ローカライゼーションのアルゴリズム群を提案する。
特に、固有の局所メソッドであるletkfのようなローカルドメインenkfを使用して、グローバルパラメータを厳密に更新する方法を示す。
このアプローチは、ローカルなEnKFフレーバーをいくつか使用して、40変数のLorenzモデルで成功した。
最終的に多層ロレンツモデルに基づく二次元図形が提供される。
放射光のような非局所的な観測と、局所領域と共分散ローカライゼーションの両方を用いてカオス力学、局所的なフォース、層間の結合を学習する。
本稿ではより一般的に,グローバルモデルパラメータとローカルモデルパラメータの両方をオンラインで推定する上で重要な問題に対処する。
関連論文リスト
- Model agnostic local variable importance for locally dependent relationships [2.3374134413353254]
局所変数の重要度を計算するためのモデルに依存しない新しい手法であるCLIQUEを提案する。
変数が応答に影響しない領域において,CLIQUEは局所的依存情報を強調し,バイアスを適切に低減することを示す。
論文 参考訳（メタデータ） (2024-11-13T17:59:44Z) - Global-to-Local Modeling for Video-based 3D Human Pose and Shape
Estimation [53.04781510348416]
フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。
エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。
我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
論文 参考訳（メタデータ） (2023-03-26T14:57:49Z) - Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。
ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。
局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
論文 参考訳（メタデータ） (2022-09-06T18:38:34Z) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-05T09:15:13Z) - Local2Global: A distributed approach for scaling representation learning
on graphs [10.254620252788776]
本稿では,グラフ表現学習における分散型「ローカル2言語」アプローチを提案する。
提案手法は,エッジ再構築におけるスケールと精度の良好なトレードオフと半教師付き分類を実現する。
また、異常検出の下流タスクについても検討し、ローカル2globalを使ってサイバーセキュリティネットワークの異常を強調できることを示す。
論文 参考訳（メタデータ） (2022-01-12T23:00:22Z) - Capturing Structural Locality in Non-parametric Language Models [85.94669097485992]
非パラメトリック言語モデルに局所性情報を追加するための,単純かつ効果的なアプローチを提案する。
Javaソースコードとウィキペディアテキストという2つの異なる領域の実験では、局所性がモデルの有効性を向上させることが示されている。
論文 参考訳（メタデータ） (2021-10-06T15:53:38Z) - Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。
私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
論文 参考訳（メタデータ） (2021-07-28T03:46:57Z) - Local2Global: Scaling global representation learning on graphs via local
training [6.292766967410996]
本稿では,グラフ表現学習のための分散型「ローカル2言語」アプローチを提案する。
パッチ毎に局所表現を個別に訓練し、局所表現をグローバルに一貫した表現に組み合わせる。
中規模データセットの予備的な結果が期待でき、グローバルに訓練された埋め込みに匹敵するローカル2グロバルのグラフ再構成性能が期待できる。
論文 参考訳（メタデータ） (2021-07-26T14:08:31Z) - Counterfactual Data Augmentation using Locally Factored Dynamics [44.37487079747397]
局所因果構造を利用して、シーケンス予測と非政治強化学習のサンプル効率を向上させることができる。
本稿では,これらの構造をオブジェクト指向の状態表現として推定する手法と,対実データ拡張のための新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-06T16:29:00Z) - Online learning of both state and dynamics using ensemble Kalman filters [0.0]
本稿では,オンライン上での動的および状態の双方,すなわち推定値を常に更新する可能性について検討する。
我々は,(i)グローバルなEnKF,(i)ローカルなEnKF,(iii)反復的なEnKFを通じて,オンラインのダイナミクスを学習することの意味を考察する。
次に,1次元,1スケール,2スケールのカオスロレンツモデルを用いて,これらの手法の有効性を数値的に検証し,精度を評価する。
論文 参考訳（メタデータ） (2020-06-06T13:19:26Z) - LRC-Net: Learning Discriminative Features on Point Clouds by Encoding
Local Region Contexts [65.79931333193016]
本稿では,LRC-Net(Local-Region-Context Network)を提案する。
LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。
その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
論文 参考訳（メタデータ） (2020-03-18T14:34:08Z)
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。