論文の概要: Long-term stability and generalization of observationally-constrained stochastic data-driven models for geophysical turbulence

• arxiv url: http://arxiv.org/abs/2205.04601v1
• Date: Mon, 9 May 2022 23:52:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-15 00:15:33.950217
• Title: Long-term stability and generalization of observationally-constrained stochastic data-driven models for geophysical turbulence
• Title（参考訳）: 物理乱流に対する観測制約付き確率データ駆動モデルの長期安定性と一般化
• Authors: Ashesh Chattopadhyay, Jaideep Pathak, Ebrahim Nabizadeh, Wahid Bhimji, Pedram Hassanzadeh
• Abstract要約: ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。 データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。 決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。 本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.19686770963118383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent years have seen a surge in interest in building deep learning-based fully data-driven models for weather prediction. Such deep learning models if trained on observations can mitigate certain biases in current state-of-the-art weather models, some of which stem from inaccurate representation of subgrid-scale processes. However, these data-driven models, being over-parameterized, require a lot of training data which may not be available from reanalysis (observational data) products. Moreover, an accurate, noise-free, initial condition to start forecasting with a data-driven weather model is not available in realistic scenarios. Finally, deterministic data-driven forecasting models suffer from issues with long-term stability and unphysical climate drift, which makes these data-driven models unsuitable for computing climate statistics. Given these challenges, previous studies have tried to pre-train deep learning-based weather forecasting models on a large amount of imperfect long-term climate model simulations and then re-train them on available observational data. In this paper, we propose a convolutional variational autoencoder-based stochastic data-driven model that is pre-trained on an imperfect climate model simulation from a 2-layer quasi-geostrophic flow and re-trained, using transfer learning, on a small number of noisy observations from a perfect simulation. This re-trained model then performs stochastic forecasting with a noisy initial condition sampled from the perfect simulation. We show that our ensemble-based stochastic data-driven model outperforms a baseline deterministic encoder-decoder-based convolutional model in terms of short-term skills while remaining stable for long-term climate simulations yielding accurate climatology.
• Abstract（参考訳）: 近年、気象予報のためのディープラーニングベースの完全なデータ駆動モデルの構築への関心が高まっている。 このような深層学習モデルは、観測に基づいて訓練すれば、現在の最先端気象モデルにおける特定のバイアスを軽減することができる。 しかし、これらのデータ駆動モデルは過パラメータ化されており、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とする。 さらに、データ駆動の気象モデルで予測を開始するための正確なノイズのない初期条件は、現実的なシナリオでは利用できない。 最後に、決定論的データ駆動予測モデルは長期的な安定性と非物理的気候ドリフトの問題に苦しんでいる。 これらの課題を踏まえて、これまでの研究では、大量の不完全な気候モデルシミュレーションに基づいてディープラーニングベースの天気予報モデルを事前学習し、利用可能な観測データに基づいて再トレーニングしようと試みている。 本稿では,2層の準地質構造流から不完全な気候モデルシミュレーションを事前学習し,遷移学習を用いて,完全シミュレーションから少数のノイズ観測に基づいて再学習する畳み込み変分自動エンコーダに基づく確率的データ駆動モデルを提案する。 この再訓練されたモデルは、完全シミュレーションからサンプリングされたノイズの多い初期条件で確率予測を行う。 我々は,我々のアンサンブルに基づく確率的データ駆動モデルが,短期的スキルの観点から基本決定論的エンコーダに基づく畳み込みモデルよりも優れ,長期的気候シミュレーションでは正確な気候学が得られることを示した。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• Sim2Real for Environmental Neural Processes [20.850715955359593]
  我々は「Sim2Real」の分析を行い、再分析と観測データの微調整を事前学習する。 Sim2Realは、天気予報や気象モニタリングのためのより正確なモデルを可能にする。
  論文  参考訳（メタデータ） (2023-10-30T18:49:06Z)
• Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
  我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。 本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
  論文  参考訳（メタデータ） (2023-10-19T07:51:39Z)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Transfer learning suppresses simulation bias in predictive models built from sparse, multi-modal data [15.587831925516957]
  科学、工学、ビジネスにおける多くの問題は、ごくわずかな観察に基づく予測を必要とする。 堅牢な予測モデルを構築するには、特に設計空間が多次元である場合、これらのスパースデータをシミュレーションデータで拡張する必要がある。 ディープラーニングの最近の開発を組み合わせて、マルチモーダルデータからより堅牢な予測モデルを構築します。
  論文  参考訳（メタデータ） (2021-04-19T23:28:32Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。