論文の概要: Machine-Learned HASDM Model with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2109.07651v1
• Date: Thu, 16 Sep 2021 01:06:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 16:27:50.609784
• Title: Machine-Learned HASDM Model with Uncertainty Quantification
• Title（参考訳）: 不確実性定量化を用いた機械学習hasdmモデル
• Authors: Richard J. Licata, Piyush M. Mehta, W. Kent Tobiska, and S. Huzurbazar
• Abstract要約: 我々は、安定かつ確実な不確実性推定を伴う最初の熱圏中性質量密度モデルを開発した。 我々は、最も優れたHASDM-MLモデルと、米空軍の高精度衛星ドラッグモデルデータベースを比較した。 このモデルは、すべての宇宙気象条件における密度空間の堅牢で確実な不確実性を提供する。
• 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: The first thermospheric neutral mass density model with robust and reliable uncertainty estimates is developed based on the SET HASDM density database. This database, created by Space Environment Technologies (SET), contains 20 years of outputs from the U.S. Space Force's High Accuracy Satellite Drag Model (HASDM), which represents the state-of-the-art for density and drag modeling. We utilize principal component analysis (PCA) for dimensionality reduction, creating the coefficients upon which nonlinear machine-learned (ML) regression models are trained. These models use three unique loss functions: mean square error (MSE), negative logarithm of predictive density (NLPD), and continuous ranked probability score (CRPS). Three input sets are also tested, showing improved performance when introducing time histories for geomagnetic indices. These models leverage Monte Carlo (MC) dropout to provide uncertainty estimates, and the use of the NLPD loss function results in well-calibrated uncertainty estimates without sacrificing model accuracy (<10% mean absolute error). By comparing the best HASDM-ML model to the HASDM database along satellite orbits, we found that the model provides robust and reliable uncertainties in the density space over all space weather conditions. A storm-time comparison shows that HASDM-ML also supplies meaningful uncertainty measurements during extreme events.
• Abstract（参考訳）: SET HASDM密度データベースに基づいて, 安定かつ確実な不確実性推定を伴う最初の熱圏中性質量密度モデルを開発した。 このデータベースは、SET(Space Environment Technologies)によって作成され、アメリカ空軍の高精度衛星ドラッグモデル(HASDM)から20年間の出力を含んでおり、密度とドラッグモデリングの最先端を表現している。 我々は主成分分析(PCA)を次元減少に利用し、非線形機械学習(ML)回帰モデルが訓練された係数を作成する。 これらのモデルでは、平均二乗誤差(MSE)、予測密度の負対数(NLPD)、連続ランク確率スコア(CRPS)の3つのユニークな損失関数を用いる。 3つの入力セットもテストされ、地磁気指標の時間履歴の導入時の性能が向上した。 これらのモデルではモンテカルロ(MC)のドロップアウトを利用して不確実性推定を行い、NLPD損失関数を用いることでモデルの精度を犠牲にすることなくよく校正された不確実性推定が得られる(10%平均絶対誤差)。 衛星軌道上でのHASDM-MLモデルとHASDMデータベースを比較した結果,全宇宙気象条件における密度空間の堅牢かつ確実な不確実性が得られた。 嵐時の比較により、HASDM-MLは極端なイベントの間に意味のある不確実性の測定も提供することが示された。

関連論文リスト

• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic Anomalies [0.0]
  地磁気障害(GMD)のような宇宙の気象現象は、重要な技術基盤に重大なリスクをもたらす。 本稿では、上記の課題に対処する物理誘導型TinyMLフレームワークを開発する。 モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
  論文  参考訳（メタデータ） (2023-11-19T23:20:16Z)
• Ensemble models outperform single model uncertainties and predictions for operator-learning of hypersonic flows [43.148818844265236]
  限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。 高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。 我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
  論文  参考訳（メタデータ） (2023-10-31T18:07:29Z)
• Mutual Information-calibrated Conformal Feature Fusion for Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
  3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。 本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。 このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-18T09:02:44Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Science through Machine Learning: Quantification of Poststorm Thermospheric Cooling [0.0]
  本研究では,中温圏におけるポストストーム冷却の有無を学習する機械学習モデルを開発した。 NRLS 2.0 と JB2008-ML はいずれも,強大な地磁気嵐後の冷暖房を考慮しない。 その結果,嵐の場所や強度によって,最大40%の密度低下が1～3日後に起こりうることがわかった。
  論文  参考訳（メタデータ） (2022-06-12T19:40:30Z)
• Uncertainty Quantification Techniques for Space Weather Modeling: Thermospheric Density Application [0.0]
  熱圏密度を予測する非線形MLモデルを開発するための2つの手法を提案する。 ローカルおよびグローバルデータセットでトレーニングされたモデルの性能を示す。 精度の高い不確実性推定値を用いて,独立テストデータ上で11%の誤差を達成した。
  論文  参考訳（メタデータ） (2022-01-06T14:17:50Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。