論文の概要: Ensemble random forest filter: An alternative to the ensemble Kalman
filter for inverse modeling
- arxiv url: http://arxiv.org/abs/2207.03909v1
- Date: Fri, 8 Jul 2022 13:53:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-11 14:34:07.007683
- Title: Ensemble random forest filter: An alternative to the ensemble Kalman
filter for inverse modeling
- Title（参考訳）: アンサンブルランダムフォレストフィルタ:逆モデリングのためのアンサンブルカルマンフィルタの代替
- Authors: Vanessa A. Godoy, Gian F. Napa-Garc\'ia, J. Jaime G\'omez-Hern\'andez
- Abstract要約: アンサンブルランダムフォレストフィルタ(ERFF)は,逆モデリングを目的としたアンサンブルカルマンフィルタ(EnKF)の代替として提示される。
ERFFは、更新ステップにおける線形結合を、ランダムなフォレストで表される非線形関数に置き換える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ensemble random forest filter (ERFF) is presented as an alternative to
the ensemble Kalman filter (EnKF) for the purpose of inverse modeling. The EnKF
is a data assimilation approach that forecasts and updates parameter estimates
sequentially in time as observations are being collected. The updating step is
based on the experimental covariances computed from an ensemble of realizations
and the updates are given as linear combinations of the differences between
observations and forecasted system state values. The ERFF replaces the linear
combination in the update step with a non-linear function represented by a
random forest. In this way, the non-linear relationships between the parameters
to be updated and the observations can be captured and a better update
produced. The ERFF is demonstrated for the purpose of log-conductivity
identification from piezometric head observations in a number of scenarios with
varying degrees of heterogeneity (log-conductivity variances going from 1 up to
6.25 (ln m/d)2), number of realizations in the ensemble (50 or 100), and number
of piezometric head observations (18 or 36). In all scenarios, the ERFF works
well, being able to reconstruct the log-conductivity spatial heterogeneity
while matching the observed piezometric heads at selected control points. For
benchmarking purposes the ERFF is compared to the restart EnKF to find that the
ERFF is superior to the EnKF for the number of ensemble realizations used
(small in typical EnKF applications). Only when the number of realizations
grows to 500, the restart EnKF is able to match the performance of the ERFF,
albeit at triple the computational cost.
- Abstract（参考訳）: アンサンブルランダムフォレストフィルタ(ERFF)は,逆モデリングを目的としたアンサンブルカルマンフィルタ(EnKF)の代替として提示される。
enkfはデータ同化アプローチであり、観測が収集されるにつれてパラメータ推定を順次予測し更新する。
更新ステップは、実現の集合から計算された実験的共分散に基づいており、その更新は、観測と予測されたシステム状態値の差の線形結合として与えられる。
ERFFは、更新ステップにおける線形結合を、ランダムなフォレストで表される非線形関数に置き換える。
このようにして、更新すべきパラメータと観測値の間の非線形関係をキャプチャし、より良い更新を生成することができる。
ERFFは、様々な不均一度(1から6.25 (ln m/d)2)、アンサンブル(50または100)における実現数、および圧計測ヘッド観測数(18または36)の様々なシナリオにおいて、圧計測ヘッド観測から対数導電率を同定する目的で実証される。
すべてのシナリオにおいて、ERFFはうまく機能し、観測されたピエゾメータヘッドを選択制御点でマッチングしながら対数伝導性空間の不均一性を再構築することができる。
ベンチマークのために、ERFFは再起動のEnKFと比較され、ERFFは使用するアンサンブル実現の回数(典型的には小さい)に対してEnKFよりも優れている。
実現の数が500に増加するとのみ、再起動するEnKFは計算コストを3倍にすることなく、ERFFの性能に匹敵する。
関連論文リスト
- BI-EqNO: Generalized Approximate Bayesian Inference with an Equivariant Neural Operator Framework [9.408644291433752]
一般化されたベイズ近似のための同変ニューラル演算系であるBI-EqNOを導入する。
BI-EqNOは、データ駆動トレーニングを通じて、条件付き観測データに基づいて事前を後方に変換する。
BI-EqNO の応用例は,(1) 回帰のための一般化ガウス過程 (gGP) と(2) 逐次データ同化のためのアンサンブルニューラルフィルタ (EnNF) の2つである。
論文 参考訳（メタデータ） (2024-10-21T18:39:16Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Variance-Reducing Couplings for Random Features [57.73648780299374]
ランダム機能(RF)は、機械学習においてカーネルメソッドをスケールアップする一般的なテクニックである。
ユークリッド空間と離散入力空間の両方で定義されるRFを改善するための結合を求める。
パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
論文 参考訳（メタデータ） (2024-05-26T12:25:09Z) - A Closer Look at Parameter-Efficient Tuning in Diffusion Models [39.52999446584842]
安定拡散のような大規模拡散モデルは強力であり、様々な現実世界の応用を見出すことができる。
学習可能な小モジュールを挿入することにより,大規模拡散モデルにおけるパラメータ効率の調整について検討する。
論文 参考訳（メタデータ） (2023-03-31T16:23:29Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Outlier-Insensitive Kalman Filtering Using NUV Priors [24.413595920205907]
実際には、観測は外れ値によって破損し、カルマンフィルタ(KF)の性能を著しく損なう。
本研究では、各電位外乱を未知の分散確率変数(NUV)としてモデル化し、外乱に敏感なKFを提案する。
予測最大化(EM)と変動ロバスト性(AM)の両方を用いて、NUVs分散をオンラインで推定する。
論文 参考訳（メタデータ） (2022-10-12T11:00:13Z) - FP-Diffusion: Improving Score-based Diffusion Models by Enforcing the
Underlying Score Fokker-Planck Equation [72.19198763459448]
雑音が増大する傾向にあるデータ密度に対応する雑音条件スコア関数の族を学習する。
これらの摂動データ密度は、密度の時空間進化を管理する偏微分方程式(PDE)であるフォッカー・プランク方程式(Fokker-Planck equation, FPE)によって結合される。
我々は、摂動データ密度の雑音条件スコアを特徴付けるスコアFPEと呼ばれる対応する方程式を導出する。
論文 参考訳（メタデータ） (2022-10-09T16:27:25Z) - Variational Kalman Filtering with Hinf-Based Correction for Robust
Bayesian Learning in High Dimensions [2.294014185517203]
本稿では,頑健な変動目標とHinf-normに基づく補正を適用し,逐次変動推定フィルタ(VIF)の収束問題に対処する。
連続的な変分推論とHinfに基づく最適化ステップを利用する新しいVIF-Hinf再帰法を提案する。
論文 参考訳（メタデータ） (2022-04-27T17:38:13Z) - 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) - Unbiased Gradient Estimation for Variational Auto-Encoders using Coupled
Markov Chains [34.77971292478243]
変分オートエンコーダ(VAE)は、オートエンコーダのようなアーキテクチャで2つのニューラルネットワークを持つ、潜伏変数モデルである。
ログ型勾配の偏りのない推定器を導入することにより,VAEのトレーニング手法を開発する。
偏りのない推定器を装着したVAEは予測性能が向上することを示した。
論文 参考訳（メタデータ） (2020-10-05T08:11:55Z) - On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。
異なる家族間でのモデルランキングの相関はみられない。
論文 参考訳（メタデータ） (2020-02-17T20:13:35Z)
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。