論文の概要: Accelerated Probabilistic Marching Cubes by Deep Learning for Time-Varying Scalar Ensembles

• arxiv url: http://arxiv.org/abs/2207.07260v1
• Date: Fri, 15 Jul 2022 02:35:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-18 22:04:28.612473
• Title: Accelerated Probabilistic Marching Cubes by Deep Learning for Time-Varying Scalar Ensembles
• Title（参考訳）: 時間変動スカラーアンサンブルのための深層学習による確率的マーチングキューブの高速化
• Authors: Mengjiao Han, Tushar M. Athawale, David Pugmire, and Chris R. Johnson
• Abstract要約: 本稿では,2次元アンサンブルデータのレベルセット不確実性を学習するためのディープラーニングに基づくアプローチを提案する。 ワークフロー内の時間変化のアンサンブルデータから、最初の数ステップを使用してモデルをトレーニングします。 トレーニングされたモデルでは,新しい時間ステップのレベルセットの不確かさを正確に推測し,元の確率モデルよりも最大170倍高速であることを示す。
• 参考スコア（独自算出の注目度）: 5.102811033640284
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visualizing the uncertainty of ensemble simulations is challenging due to the large size and multivariate and temporal features of ensemble data sets. One popular approach to studying the uncertainty of ensembles is analyzing the positional uncertainty of the level sets. Probabilistic marching cubes is a technique that performs Monte Carlo sampling of multivariate Gaussian noise distributions for positional uncertainty visualization of level sets. However, the technique suffers from high computational time, making interactive visualization and analysis impossible to achieve. This paper introduces a deep-learning-based approach to learning the level-set uncertainty for two-dimensional ensemble data with a multivariate Gaussian noise assumption. We train the model using the first few time steps from time-varying ensemble data in our workflow. We demonstrate that our trained model accurately infers uncertainty in level sets for new time steps and is up to 170X faster than that of the original probabilistic model with serial computation and 10X faster than that of the original parallel computation.
• Abstract（参考訳）: アンサンブルシミュレーションの不確かさの可視化は、アンサンブルデータセットの大きさと多変量、時間的特徴のため困難である。 アンサンブルの不確実性を研究する一般的なアプローチは、レベル集合の位置的不確実性を分析することである。 確率的マーチングキューブ(probabilistic marching cubes)は、レベル集合の位置不確実性可視化のための多変量ガウス雑音分布のモンテカルロサンプリングを行う手法である。 しかし、この技術は高い計算時間に悩まされ、インタラクティブな可視化と分析が不可能になる。 本稿では,多変量ガウス雑音を仮定した2次元アンサンブルデータのレベルセット不確かさを学習するためのディープラーニング手法を提案する。 ワークフロー内の時間変動アンサンブルデータから、最初の数ステップでモデルをトレーニングします。 トレーニングしたモデルでは,新しい時間ステップのレベルセットの不確かさを正確に推測し,シリアル計算による元の確率モデルよりも最大170倍,元の並列計算よりも10倍高速であることを示す。

関連論文リスト

• Koopman Ensembles for Probabilistic Time Series Forecasting [6.699751896019971]
  独立に訓練されたモデルのアンサンブルは極めて過信であり、メンバーに高いモデル間分散による予測を明示的に促す訓練基準を用いることで、アンサンブルの不確実性を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-03-11T14:29:56Z)
• Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
  細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。 近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。 本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-11T13:44:49Z)
• Better Batch for Deep Probabilistic Time Series Forecasting [15.31488551912888]
  本稿では,確率的予測精度を高めるために,誤り自己相関を取り入れた新しいトレーニング手法を提案する。 本手法は,モデルトレーニングのためのD$連続時系列セグメントのコレクションとしてミニバッチを構築する。 各ミニバッチ上で時間変化の共分散行列を明示的に学習し、隣接する時間ステップ間の誤差相関を符号化する。
  論文  参考訳（メタデータ） (2023-05-26T15:36:59Z)
• Predicting the State of Synchronization of Financial Time Series using Cross Recurrence Plots [75.20174445166997]
  本研究では,2つの金融時系列の動的同期の将来の状態を予測する新しい手法を提案する。 我々は,同期状態の予測を方法論的に扱うためのディープラーニングフレームワークを採用する。 2つの時系列の同期状態を予測するタスクは、一般的には難しいが、ある種の在庫は、非常に良好な性能で達成できる。
  論文  参考訳（メタデータ） (2022-10-26T10:22:28Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate Time Series Forecasting [4.131842516813833]
  時間系列の非線形ファクタリゼーションを可能にする新しい時間的潜時オートエンコーダ法を提案する。 確率的潜時空間モデルにより、入力系列の複雑な分布はデコーダを介してモデル化される。 我々のモデルは、多くの一般的な多変量データセット上で最先端のパフォーマンスを達成し、いくつかの標準メトリクスに対して最大50%のゲインを得られることがある。
  論文  参考訳（メタデータ） (2021-01-25T22:29:40Z)
• Effective Proximal Methods for Non-convex Non-smooth Regularized Learning [27.775096437736973]
  独立サンプリング方式は、一般に使用されている一様サンプリング方式の性能を向上させる傾向にあることを示す。 我々の新しい分析は、サンプリングの速度が今までで最高のものより速いことも示しています。
  論文  参考訳（メタデータ） (2020-09-14T16:41:32Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。