論文の概要: Parallel framework for Dynamic Domain Decomposition of Data Assimilation
problems a case study on Kalman Filter algorithm
- arxiv url: http://arxiv.org/abs/2203.16535v1
- Date: Sun, 9 Jan 2022 20:17:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 21:44:13.729134
- Title: Parallel framework for Dynamic Domain Decomposition of Data Assimilation
problems a case study on Kalman Filter algorithm
- Title（参考訳）: データ同化問題の動的領域分割のための並列フレームワーク : kalmanフィルタアルゴリズムのケーススタディ
- Authors: Rosalba Cacciapuoti, Luisa D'Amore
- Abstract要約: 偏微分方程式 (PDE) に基づくデータ近似問題 (DA) を変分法とカルマンフィルタアルゴリズムを用いて解いた。
最近,空間と時間方向に沿った物理領域全体の分解を行うドメイン分解フレームワークについて紹介した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We focus on Partial Differential Equation (PDE) based Data Assimilatio
problems (DA) solved by means of variational approaches and Kalman filter
algorithm. Recently, we presented a Domain Decomposition framework (we call it
DD-DA, for short) performing a decomposition of the whole physical domain along
space and time directions, and joining the idea of Schwarz' methods and
parallel in time approaches. For effective parallelization of DD-DA algorithms,
the computational load assigned to subdomains must be equally distributed.
Usually computational cost is proportional to the amount of data entities
assigned to partitions. Good quality partitioning also requires the volume of
communication during calculation to be kept at its minimum. In order to deal
with DD-DA problems where the observations are nonuniformly distributed and
general sparse, in the present work we employ a parallel load balancing
algorithm based on adaptive and dynamic defining of boundaries of DD -- which
is aimed to balance workload according to data location. We call it DyDD. As
the numerical model underlying DA problems arising from the so-called
discretize-then-optimize approach is the constrained least square model (CLS),
we will use CLS as a reference state estimation problem and we validate DyDD on
different scenarios.
- Abstract（参考訳）: 偏微分方程式(PDE)に基づくデータ近似問題(DA)を変分法とカルマンフィルタアルゴリズムを用いて解いた。
最近我々は、空間と時間方向に沿った物理領域全体を分解し、シュワルツの手法と時間的アプローチにおける並列性の概念を結合するドメイン分解フレームワーク(DD-DA、略してDD-DA)を紹介した。
DD-DAアルゴリズムの効果的な並列化には、サブドメインに割り当てられた計算負荷を等しく分散する必要がある。
通常、計算コストはパーティションに割り当てられたデータエンティティの量に比例する。
高品質なパーティショニングでは、計算中の通信量を最小限に抑える必要がある。
本研究では,データ位置に応じてワークロードのバランスをとるDD境界の適応的および動的定義に基づく並列ロードバランシングアルゴリズムを用いて,観測結果が一様に分散して疎結合であるDD-DA問題に対処する。
DyDDと呼んでいます。
離散化最適化法(disretize-then-Optimize approach)と呼ばれるDA問題に基づく数値モデルが最小二乗モデル(CLS)であることから,我々はCLSを参照状態推定問題として利用し,異なるシナリオでDyDDを検証する。
関連論文リスト
- Reverse Transition Kernel: A Flexible Framework to Accelerate Diffusion Inference [29.589117191576875]
DDPMはRTKのガウス近似を用いており、結果としてサブプロブレム当たりの複雑さは低く、多くのセグメントを必要とする。
我々は、よりバランスの取れたサブプロブレム分解を可能にする一般的なRTKフレームワークを開発し、その結果、$tilde O(1)$サブプロブレムとなる。
そこで我々は,2つの高速サンプリングアルゴリズムであるMetropolis-Adjusted Langevin Algorithm (MALA) とUnderdamped Langevin Dynamics (ULD) を用いて,これらの強い対数対数のサブプロブレムの解法を提案する。
論文 参考訳（メタデータ） (2024-05-26T00:26:57Z) - Flow-based Distributionally Robust Optimization [23.232731771848883]
We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。
我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。
本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
論文 参考訳（メタデータ） (2023-10-30T03:53:31Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳（メタデータ） (2023-03-10T07:42:49Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。
我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
論文 参考訳（メタデータ） (2022-10-14T01:42:05Z) - Scaling up Stochastic Gradient Descent for Non-convex Optimisation [5.908471365011942]
本稿では,共有並列計算問題に対する新しいアプローチを提案する。
2つの戦略を統一されたフレームワークに組み合わせることで、DPSGDはより良い取引計算フレームワークになります。
深層学習(DRL)問題と深層学習(DRL)問題(アドバンテージアクター - A2C)についてDPSGDにより潜在ゲインを達成できる。
論文 参考訳（メタデータ） (2022-10-06T13:06:08Z) - Distributed stochastic optimization with large delays [59.95552973784946]
大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。
DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
論文 参考訳（メタデータ） (2021-07-06T21:59:49Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z) - Sparse Dynamic Distribution Decomposition: Efficient Integration of
Trajectory and Snapshot Time Series Data [2.3977391435533373]
動的分散分解(DDD)はTaylor-Kingらによって導入された。
私たちは、DDDが軌道上の時系列(後続の時間ポイント間でペアリングされる)とスナップショットの時系列(未ペアリング時間ポイント)の両方を統合するのにどのように適しているかを示します。
特にバイオメディカルデータの分析には,一定時間地点(スナップショット)で個体群を観察し,フォローアップを繰り返した個々の患者旅行(軌跡)を観察する手法が有用である。
論文 参考訳（メタデータ） (2020-06-09T09:28:52Z)
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。