Fugu-MT 論文翻訳(概要): Interpretable Climate Change Modeling With Progressive Cascade Networks

論文の概要: Interpretable Climate Change Modeling With Progressive Cascade Networks

arxiv url: http://arxiv.org/abs/2205.06351v1
Date: Thu, 12 May 2022 20:31:34 GMT
ステータス: 処理完了
システム内更新日: 2022-05-16 13:35:52.669819
Title: Interpretable Climate Change Modeling With Progressive Cascade Networks
Title（参考訳）: プログレッシブカスケードネットワークを用いた解釈可能な気候変動モデル
Authors: Charles Anderson, Jason Stock, David Anderson
Abstract要約: ディープラーニング分野の研究は、ディープニューラルネットワークを解釈する新しい手法を積極的に追求している。地球温度と降水量を年数にマッピングするモデルを用いて、気候の変化に関連するパターンを調査する。
参考スコア（独自算出の注目度）: 0.618778092044887
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Typical deep learning approaches to modeling high-dimensional data often result in complex models that do not easily reveal a new understanding of the data. Research in the deep learning field is very actively pursuing new methods to interpret deep neural networks and to reduce their complexity. An approach is described here that starts with linear models and incrementally adds complexity only as supported by the data. An application is shown in which models that map global temperature and precipitation to years are trained to investigate patterns associated with changes in climate.
Abstract（参考訳）: 高次元データをモデリングするための典型的なディープラーニングアプローチは、しばしばデータに対する新しい理解を簡単に明らかにしない複雑なモデルをもたらす。深層学習分野の研究は、深層ニューラルネットワークを解釈し、複雑さを減らすための新しい手法を積極的に追求している。ここでは、線形モデルから始まり、データによってのみサポートされた複雑性を漸進的に追加するアプローチについて説明する。気候の変化にかかわるパターンを調査するために、地球温度と降水を年々マッピングするモデルを訓練した応用例を示す。

関連論文リスト

Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文参考訳（メタデータ） (2024-10-31T22:54:34Z)
Deep Learning for Koopman Operator Estimation in Idealized Atmospheric Dynamics [2.2489531925874013]
ディープラーニングは、気象予報に革命をもたらしており、新しいデータ駆動モデルは、中期予測のための運用物理モデルと同等の精度を達成している。これらのモデルは解釈可能性に欠けることが多く、基礎となる力学を理解するのが難しく、説明が難しい。本稿では、データ駆動モデルの透明性を高めるために、複雑な非線形力学の線形表現を提供するクープマン作用素を推定する手法を提案する。
論文参考訳（メタデータ） (2024-09-10T13:56:54Z)
Distilling Machine Learning's Added Value: Pareto Fronts in Atmospheric Applications [0.3696370044051793]
気候モデル階層に着想を得て,適切に決定された誤差・複雑度平面内で定義されたパレート最適モデルの完全な階層構造が,モデル開発をガイドし,モデルの付加価値を理解するのに役立つことを提案する。大気物理学におけるパレートフロントの利用を3つのサンプルアプリケーションを用いて実証し、最小のチューナブルパラメータを持つ半経験的モデル(単純)からディープラーニングアルゴリズム(最も複雑)までの階層性を示した。
論文参考訳（メタデータ） (2024-08-04T23:05:42Z)
Learning of networked spreading models from noisy and incomplete data [7.669018800404791]
スケーラブルな動的メッセージパッシング技術に基づく普遍的な学習手法を提案する。このアルゴリズムは、モデルとデータに関する利用可能な事前知識を活用し、拡散モデルのネットワーク構造とパラメータの両方を再構成する。キーモデルパラメータを持つ手法の線形計算複雑性は,アルゴリズムを大規模ネットワークインスタンスにスケーラブルにすることを示す。
論文参考訳（メタデータ） (2023-12-20T13:12:47Z)
Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文参考訳（メタデータ） (2022-10-07T17:56:53Z)
CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文参考訳（メタデータ） (2022-05-30T13:34:46Z)
Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文参考訳（メタデータ） (2022-03-23T12:52:49Z)
LocalGLMnet: interpretable deep learning for tabular data [0.0]
一般化線形モデルと類似した特徴を共用する新しいネットワークアーキテクチャを提案する。我々のアプローチは、シェープリー値と積分勾配の精神を加法的に分解する。
論文参考訳（メタデータ） (2021-07-23T07:38:33Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
Model Complexity of Deep Learning: A Survey [79.20117679251766]
深層学習におけるモデル複雑性に関する最新の研究を体系的に概観します。本稿では,これら2つのカテゴリに関する既存研究について,モデルフレームワーク,モデルサイズ,最適化プロセス,データ複雑性の4つの重要な要因について概説する。
論文参考訳（メタデータ） (2021-03-08T22:39:32Z)
Deep learning of contagion dynamics on complex networks [0.0]
本稿では,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングに基づく補完的アプローチを提案する。任意のネットワーク構造をシミュレーションすることで,学習したダイナミックスの性質を学習データを超えて探索することが可能になる。この結果は,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングが新たな補完的な視点を提供することを示す。
論文参考訳（メタデータ） (2020-06-09T17:18:34Z)

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。