Fugu-MT 論文翻訳(概要): Towards Representation Learning for Atmospheric Dynamics

論文の概要: Towards Representation Learning for Atmospheric Dynamics

arxiv url: http://arxiv.org/abs/2109.09076v1
Date: Sun, 19 Sep 2021 07:43:30 GMT
ステータス: 処理完了
システム内更新日: 2021-09-22 13:15:50.501844
Title: Towards Representation Learning for Atmospheric Dynamics
Title（参考訳）: 大気力学の表現学習に向けて
Authors: Sebastian Hoffmann and Christian Lessig
Abstract要約: 本研究では,大気力学に特化して設計された新しい自己教師型表現学習手法を提案する。私たちのアプローチは、AtmoDistと呼ばれ、単純で補助的なタスクでニューラルネットワークをトレーニングします。我々は、AtmoDistを用いて、GANに基づく渦性と発散の超解像の計量を定義することでこれを実証する。
参考スコア（独自算出の注目度）: 6.274453963224799
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The prediction of future climate scenarios under anthropogenic forcing is critical to understand climate change and to assess the impact of potentially counter-acting technologies. Machine learning and hybrid techniques for this prediction rely on informative metrics that are sensitive to pertinent but often subtle influences. For atmospheric dynamics, a critical part of the climate system, the "eyeball metric", i.e. a visual inspection by an expert, is currently still the gold standard. However, it cannot be used as metric in machine learning systems where an algorithmic description is required. Motivated by the success of intermediate neural network activations as basis for learned metrics, e.g. in computer vision, we present a novel, self-supervised representation learning approach specifically designed for atmospheric dynamics. Our approach, called AtmoDist, trains a neural network on a simple, auxiliary task: predicting the temporal distance between elements of a shuffled sequence of atmospheric fields (e.g. the components of the wind field from a reanalysis or simulation). The task forces the network to learn important intrinsic aspects of the data as activations in its layers and from these hence a discriminative metric can be obtained. We demonstrate this by using AtmoDist to define a metric for GAN-based super resolution of vorticity and divergence. Our upscaled data matches closely the true statistics of a high resolution reference and it significantly outperform the state-of-the-art based on mean squared error. Since AtmoDist is unsupervised, only requires a temporal sequence of fields, and uses a simple auxiliary task, it can be used in a wide range of applications that aim to understand and mitigate climate change.
Abstract（参考訳）: 人為的強制下での将来の気候シナリオの予測は、気候変動を理解し、潜在的に逆作用する技術の影響を評価するために重要である。この予測のための機械学習とハイブリッド技術は、関連するがしばしば微妙な影響に敏感な情報的指標に依存している。大気力学では、気候システムの重要な部分である「眼球メートル法」、すなわち専門家による視覚検査が現在も金の基準となっている。しかし,アルゴリズム記述が必要な機械学習システムでは,メトリクスとして使用することはできない。コンピュータビジョンなどの学習指標の基盤として,中間的ニューラルネットワークアクティベーションの成功により,大気力学に特化して設計された,新しい自己教師型表現学習アプローチを提案する。私たちのアプローチは、AtmoDistと呼ばれ、単純な補助的なタスクでニューラルネットワークをトレーニングします。このタスクは、ネットワークに層内のアクティベーションとしてデータの本質的な重要な側面を学習させ、それによって識別基準を得る。我々は、AtmoDistを用いて、GANに基づく渦性と発散の超解像の計量を定義することでこれを実証する。我々のスケールアップされたデータは、高解像度参照の真の統計値と密接に一致し、平均二乗誤差に基づいて最先端のデータを著しく上回る。 AtmoDistは教師なしで、時間的なフィールドシーケンスのみを必要とし、単純な補助的なタスクを使用するため、気候変動を理解して緩和することを目的とした幅広いアプリケーションで使用することができる。

関連論文リスト

A Scalable Real-Time Data Assimilation Framework for Predicting Turbulent Atmosphere Dynamics [8.012940782999975]
我々は,汎用リアルタイムデータ同化フレームワークを導入し,そのエンドツーエンド性能をFrontierスーパーコンピュータ上で実証する。このフレームワークは、アンサンブルスコアフィルタ(EnSF)とビジョントランスフォーマーベースのサロゲートの2つの主要モジュールから構成される。 ExascaleスーパーコンピュータであるFrontier上では、私たちのフレームワークの強いスケーリングと弱いスケーリングの両方を1024GPUで実証しています。
論文参考訳（メタデータ） (2024-07-16T20:44:09Z)
Room Occupancy Prediction: Exploring the Power of Machine Learning and Temporal Insights [0.0]
建物内のエネルギーの保全は、温室効果ガスの排出と気候変動との戦いにとって最重要課題である。本研究では,多様な機械学習モデルを活用するルーム占有率の予測フレームワークを提案する。エネルギー効率の良いプラクティスとルーム占有管理を形成する上での機械学習の約束を強調します。
論文参考訳（メタデータ） (2023-12-22T04:16:34Z)
Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文参考訳（メタデータ） (2023-06-15T10:06:13Z)
Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles [6.824166358727082]
変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
論文参考訳（メタデータ） (2023-02-07T05:09:10Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文参考訳（メタデータ） (2022-03-11T02:37:35Z)
AtmoDist: Self-supervised Representation Learning for Atmospheric Dynamics [4.873362301533825]
本研究では,多種多様な大気データセットの分類的損失を定義する自己教師型学習タスクを提案する。我々は、大気圏間の時間的距離を予測するための、単純かつ複雑なタスクでニューラルネットワークを訓練する。本研究では、ERA5の再解析から得られた表現に基づいて、大気状態に対するデータ駆動距離メートル法を導入することにより、これを実証する。
論文参考訳（メタデータ） (2022-02-02T14:49:48Z)
Attribute Inference Attack of Speech Emotion Recognition in Federated Learning Settings [56.93025161787725]
Federated Learning(FL)は、クライアントをコーディネートして、ローカルデータを共有せずにモデルを協調的にトレーニングする分散機械学習パラダイムである。本稿では,共有勾配やモデルパラメータからクライアントの機密属性情報を推測する属性推論攻撃フレームワークを提案する。 FLを用いて学習したSERシステムに対して,属性推論攻撃が達成可能であることを示す。
論文参考訳（メタデータ） (2021-12-26T16:50:42Z)
Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文参考訳（メタデータ） (2020-11-16T08:24:34Z)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。