論文の概要: An efficient estimation of time-varying parameters of dynamic models by
combining offline batch optimization and online data assimilation
- arxiv url: http://arxiv.org/abs/2110.12522v1
- Date: Sun, 24 Oct 2021 20:12:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 09:30:01.544031
- Title: An efficient estimation of time-varying parameters of dynamic models by
combining offline batch optimization and online data assimilation
- Title(参考訳): オフラインバッチ最適化とオンラインデータ同化を組み合わせた動的モデルの時変パラメータの効率的な推定
- Authors: Yohei Sawada
- Abstract要約: 比較的低次元モデルの時間変化パラメータを推定する,効率的かつ実用的な手法を提案する。
オフラインバッチ最適化とオンラインデータ同化の組み合わせを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is crucially important to estimate unknown parameters in earth system
models by integrating observation and numerical simulation. For many
applications in earth system sciences, the optimization method which allows
parameters to temporally change is required. Here I present an efficient and
practical method to estimate the time-varying parameters of relatively low
dimensional models. I propose combining offline batch optimization and online
data assimilation. In the newly proposed method, called Hybrid Offline Online
Parameter Estimation with Particle Filtering (HOOPE-PF), I constrain the
estimated model parameters in sequential data assimilation to the result of
offline batch optimization in which the posterior distribution of model
parameters is obtained by comparing the simulated and observed climatology. The
HOOPE-PF outperforms the original sampling-importance-resampling particle
filter in the synthetic experiment with the toy model and the real-data
experiment with the conceptual hydrological model. The advantage of HOOPE-PF is
that the performance of the online data assimilation is not greatly affected by
the hyperparameter of ensemble data assimilation which contributes to inflating
the ensemble variance of estimated parameters.
- Abstract(参考訳): 観測と数値シミュレーションを統合することにより,地球系の未知のパラメータを推定することが重要である。
地球系科学における多くの応用には、パラメータを時間的に変化させる最適化法が必要である。
本稿では,比較的低次元モデルの時間変化パラメータを推定する,効率的かつ実用的な手法を提案する。
オフラインバッチ最適化とオンラインデータ同化の組み合わせを提案する。
新たに提案したHybrid Offline Online Parameter Estimation with Particle Filtering (HOOPE-PF) 法では,シミュレーションおよび観測気候学を比較してモデルパラメータの後方分布を求めるオフラインバッチ最適化の結果に対して,逐次データ同化で推定されたモデルパラメータを制約する。
HOOPE-PFは、おもちゃモデルによる合成実験と概念的水理モデルによる実データ実験において、オリジナルのサンプリング-重要サンプリング粒子フィルタよりも優れている。
HOOPE-PFの利点は、オンラインデータ同化の性能が、推定パラメータのアンサンブル分散の膨張に寄与するアンサンブルデータ同化のハイパーパラメータに大きく影響されないことである。
関連論文リスト
- Epidemic Modeling using Hybrid of Time-varying SIRD, Particle Swarm
Optimization, and Deep Learning [6.363653898208231]
疫学モデルは、拡散パターンが静止している場合の流行をモデル化するのに最適である。
本研究では,疫病モデル,粒子群最適化,深層学習を含むハイブリッドモデルを開発した。
本研究は、米国、インド、英国という3カ国の影響を受けた3つの国について、そのモデルを評価する。
論文 参考訳(メタデータ) (2024-01-31T18:08:06Z) - Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Provably Efficient Bayesian Optimization with Unbiased Gaussian Process
Hyperparameter Estimation [52.035894372374756]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T03:35:45Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳(メタデータ) (2023-06-09T18:01:14Z) - On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。
これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。
我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文 参考訳(メタデータ) (2022-11-28T17:41:48Z) - Scaling & Shifting Your Features: A New Baseline for Efficient Model
Tuning [126.84770886628833]
既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。
そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
論文 参考訳(メタデータ) (2022-10-17T08:14:49Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Optimizing Training Trajectories in Variational Autoencoders via Latent
Bayesian Optimization Approach [0.0]
教師なしおよび半教師なしのML手法は、物理学、化学、材料科学の様々な分野に広く採用されている。
教師なしおよび半教師付きMLに対するハイパーパラメータ軌道最適化のための潜在ベイズ最適化(zBO)手法を提案する。
本手法の適用により,MNISTの離散的および連続的回転不変表現とプラズモンナノ粒子材料システムの実験データを求めることができる。
論文 参考訳(メタデータ) (2022-06-30T23:41:47Z) - Approximate Bayesian Computation for Physical Inverse Modeling [0.32771631221674324]
本稿では,モデルパラメータ抽出プロセスを自動化する手法を提案する。
その結果, 勾配木を用いた移動曲線から抽出したパラメータを正確に予測できることが示唆された。
この研究は、提案したフレームワークと微調整されたニューラルネットワークの比較分析も提供し、提案したフレームワークの性能が向上することが示されている。
論文 参考訳(メタデータ) (2021-11-26T02:23:05Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳(メタデータ) (2021-06-21T23:42:58Z)
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。