論文の概要: E-LMC: Extended Linear Model of Coregionalization for Predictions of Spatial Fields

• arxiv url: http://arxiv.org/abs/2203.00525v1
• Date: Tue, 1 Mar 2022 15:09:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 13:00:55.551818
• Title: E-LMC: Extended Linear Model of Coregionalization for Predictions of Spatial Fields
• Title（参考訳）: E-LMC:空間場予測のためのコリージョン化の拡張線形モデル
• Authors: Shihong Wang, Xueying Zhang, Yichen Meng, Wei Xing
• Abstract要約: 複雑で非線形な空間場を線形化するための可逆ニューラルネットワークを提案する。 実世界のいくつかの応用は、E-LMCが空間相関を効果的に活用できることを実証している。
• 参考スコア（独自算出の注目度）: 8.882887191098252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical simulations based on partial differential equations typically generate spatial fields results, which are utilized to calculate specific properties of a system for engineering design and optimization. Due to the intensive computational burden of the simulations, a surrogate model mapping the low-dimensional inputs to the spatial fields are commonly built based on a relatively small dataset. To resolve the challenge of predicting the whole spatial field, the popular linear model of coregionalization (LMC) can disentangle complicated correlations within the high-dimensional spatial field outputs and deliver accurate predictions. However, LMC fails if the spatial field cannot be well approximated by a linear combination of base functions with latent processes. In this paper, we extend LMC by introducing an invertible neural network to linearize the highly complex and nonlinear spatial fields such that the LMC can easily generalize to nonlinear problems while preserving the traceability and scalability. Several real-world applications demonstrate that E-LMC can exploit spatial correlations effectively, showing a maximum improvement of about 40% over the original LMC and outperforming the other state-of-the-art spatial field models.
• Abstract（参考訳）: 偏微分方程式に基づく物理シミュレーションは、一般に、工学設計と最適化のためのシステムの特定の特性を計算するために使用される空間場結果を生成する。 シミュレーションの集中的な計算負荷のため、低次元入力を空間場にマッピングするサーロゲートモデルは、比較的小さなデータセットに基づいて一般的に構築される。 空間場全体の予測という課題を解決するため,コリージョン化の線形モデル(LMC)は高次元空間場出力内の複雑な相関関係を解き、正確な予測を行うことができる。 しかし、lmcは、空間場が潜在過程と基底関数の線形結合によって十分に近似できない場合に失敗する。 本稿では,LMCがトレーサビリティとスケーラビリティを維持しつつ,非線形問題に容易に一般化できるような,複雑で非線形な空間場を線形化するための可逆ニューラルネットワークを導入することにより,LCCを拡張した。 いくつかの実世界の応用は、E-LMCが空間相関を効果的に活用できることを示し、元のLCCよりも40%向上し、他の最先端の空間場モデルよりも優れていることを示した。

関連論文リスト

• Empowering Snapshot Compressive Imaging: Spatial-Spectral State Space Model with Across-Scanning and Local Enhancement [51.557804095896174]
  AsLE-SSMという,グローバルな局所的バランスの取れたコンテキストエンコーディングとチャネル間相互作用の促進に空間スペクトルSSMを用いる状態空間モデルを導入する。 実験の結果,ASLE-SSMは既存の最先端手法よりも優れており,推定速度はTransformerベースのMSTより2.4倍速く,パラメータの0.12(M)を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Subsurface Characterization using Ensemble-based Approaches with Deep Generative Models [2.184775414778289]
  逆モデリングは、計算コストとスパースデータセットによる予測精度の低下により、不適切な高次元アプリケーションに限られる。 Wasserstein Geneversarative Adrial Network と Gradient Penalty (WGAN-GP) と Ensemble Smoother を多重データ同化 (ES-MDA) と組み合わせる。 WGAN-GPは低次元の潜伏空間から高次元K場を生成するために訓練され、ES-MDAは利用可能な測定値を同化することにより潜伏変数を更新する。
  論文  参考訳（メタデータ） (2023-10-02T01:27:10Z)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• 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)
• Physically Constrained Generative Adversarial Networks for Improving Precipitation Fields from Earth System Models [0.0]
  既存のポストプロセッシング手法はESMシミュレーションを局所的に改善できるが、モデル化された空間パターンの誤りを訂正することはできない。 本研究では,局所分布と空間構造を同時に改善するための,物理的に制約された生成逆ネットワーク(GAN)に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-25T15:19:10Z)
• Modeling Massive Spatial Datasets Using a Conjugate Bayesian Linear Regression Framework [0.0]
  階層的モデリングフレームワークに簡単に組み込むことのできる、様々なスケーラブルな空間プロセスモデルが提案されている。 本稿では,空間過程の推論を迅速に行うことができる共役ベイズ線形回帰モデルとして,点参照空間過程モデルをどうキャストするかを論じる。
  論文  参考訳（メタデータ） (2021-09-09T17:46:00Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Efficient nonlinear manifold reduced order model [0.19116784879310023]
  非線形多様体 ROM (NM-ROM) はLS-ROMよりも小さい潜在空間次元の高忠実度モデル解を近似することができる。 その結果、ニューラルネットワークは、レイノルズ数の高い2次元バーガー方程式から、アドベクションに支配されたデータに基づいてより効率的な潜在空間表現を学習できることを示した。
  論文  参考訳（メタデータ） (2020-11-13T18:46:21Z)
• Local Function Complexity for Active Learning via Mixture of Gaussian Processes [5.382740428160009]
  実世界のデータにおける不均一性は、観測ノイズレベルの変化や源関数の構造的複雑さの変化により、統計的推測に固有の課題が生じる。 本稿では,局所関数複雑性(LFC)の推定に関する最近の理論的結果について述べる。 我々は、LPSベースのLFCのガウスプロセス回帰(GPR)に基づくアナログを導出、推定し、上記のフレームワークの代用として使用し、堅牢でスケーラブルにする。
  論文  参考訳（メタデータ） (2019-02-27T17:55:06Z)

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。