論文の概要: Continuous and Distribution-free Probabilistic Wind Power Forecasting: A
Conditional Normalizing Flow Approach
- arxiv url: http://arxiv.org/abs/2206.02433v1
- Date: Mon, 6 Jun 2022 08:48:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 02:56:23.210722
- Title: Continuous and Distribution-free Probabilistic Wind Power Forecasting: A
Conditional Normalizing Flow Approach
- Title（参考訳）: 連続・分布のない確率的風力予測:条件付き正規化フローアプローチ
- Authors: Honglin Wen, Pierre Pinson, Jinghuan Ma, Jie Gu, and Zhijian Jin
- Abstract要約: 条件正規化フロー(CNF)に基づく確率的風力予測のためのデータ駆動型手法を提案する。
既存の手法とは対照的に、このアプローチは(非パラメトリックおよび量子的アプローチのように)分布自由であり、連続確率密度を直接生成することができる。
- 参考スコア（独自算出の注目度）: 1.684864188596015
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a data-driven approach for probabilistic wind power forecasting
based on conditional normalizing flow (CNF). In contrast with the existing,
this approach is distribution-free (as for non-parametric and quantile-based
approaches) and can directly yield continuous probability densities, hence
avoiding quantile crossing. It relies on a base distribution and a set of
bijective mappings. Both the shape parameters of the base distribution and the
bijective mappings are approximated with neural networks. Spline-based
conditional normalizing flow is considered owing to its non-affine
characteristics. Over the training phase, the model sequentially maps input
examples onto samples of base distribution, given the conditional contexts,
where parameters are estimated through maximum likelihood. To issue
probabilistic forecasts, one eventually maps samples of the base distribution
into samples of a desired distribution. Case studies based on open datasets
validate the effectiveness of the proposed model, and allows us to discuss its
advantages and caveats with respect to the state of the art.
- Abstract（参考訳）: 条件正規化フロー(CNF)に基づく確率的風力予測のためのデータ駆動型手法を提案する。
既存の手法とは対照的に、このアプローチは分布自由であり(非パラメトリックおよび量子的アプローチのような)、連続確率密度を直接生成し、したがって量子交差を避けることができる。
これは基底分布と単射写像の集合に依存する。
ベース分布の形状パラメータとビジェクティブマッピングの両方をニューラルネットワークで近似する。
スプラインベース条件正規化流は非アフィン特性により考慮される。
トレーニングフェーズでは、モデルが入力サンプルを条件付きコンテキストからベース分布のサンプルに順次マッピングし、パラメータを最大確率で推定する。
確率的予測を行うために、最終的にベース分布のサンプルを所望の分布のサンプルにマッピングする。
オープンデータセットに基づくケーススタディは,提案モデルの有効性を検証し,その利点と問題点を技術の現状に関して議論することができる。
関連論文リスト
- Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。
その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文 参考訳（メタデータ） (2024-10-02T20:46:21Z) - Generating Synthetic Ground Truth Distributions for Multi-step Trajectory Prediction using Probabilistic Composite Bézier Curves [4.837320865223374]
本稿では,合成確率的B'ezier曲線に基づく合成データセット生成手法を提案する。
本稿では, 生成した地中真実分布データを用いて, 模範的軌道予測モデルの評価を行う。
論文 参考訳（メタデータ） (2024-04-05T20:50:06Z) - Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳（メタデータ） (2024-02-13T09:40:19Z) - Formulating Discrete Probability Flow Through Optimal Transport [29.213216002178306]
まず、連続確率フローが特定の条件下でのモンジュ最適輸送写像であることを証明し、また離散ケースの等価な証拠を示す。
次に、最適な輸送の原理に従って離散確率フローを定義する。
合成玩具データセットとCIFAR-10データセットの実験により,提案した離散確率フローが検証された。
論文 参考訳（メタデータ） (2023-11-07T11:03:27Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z) - Learning Structured Gaussians to Approximate Deep Ensembles [10.055143995729415]
本稿では,スパース構造多変量ガウシアンを用いて,高密度画像予測タスクのための閉形式近似器を提案する。
正規分布における予測の不確かさと構造的相関を、サンプリング単独で暗黙的にではなく、明示的に捉える。
単分子深度推定におけるアプローチの利点を実証し,本手法の利点が同等の定量的性能で得られることを示す。
論文 参考訳（メタデータ） (2022-03-29T12:34:43Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z) - Resampling Base Distributions of Normalizing Flows [0.0]
学習された拒絶サンプリングに基づいて,フローを正規化するためのベース分布を導入する。
ログライクリフの最大化と逆Kulback-Leibler分散の最適化の両方を用いて、適切な学習アルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-10-29T14:44:44Z) - GANs with Conditional Independence Graphs: On Subadditivity of
Probability Divergences [70.30467057209405]
GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。
GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。
本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
論文 参考訳（メタデータ） (2020-03-02T04:31:22Z)
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。