論文の概要: Visualizing Confidence Intervals for Critical Point Probabilities in 2D Scalar Field Ensembles

• arxiv url: http://arxiv.org/abs/2207.13661v1
• Date: Wed, 13 Jul 2022 12:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-31 14:30:37.672316
• Title: Visualizing Confidence Intervals for Critical Point Probabilities in 2D Scalar Field Ensembles
• Title（参考訳）: 2次元スカラー場アンサンブルにおける臨界点確率の信頼区間の可視化
• Authors: Dominik Vietinghoff, Michael B\"ottinger, Gerik Scheuermann, Christian Heine
• Abstract要約: 本稿では,アンサンブルデータセットにおける臨界点の発生確率に対する信頼区間の計算と視覚的表現について述べる。 合成データセット上の不確実なデータにおける臨界点予測のための既存手法に対するアプローチの付加価値を実証し、気候研究から得られたデータセットに適用可能性を示す。
• 参考スコア（独自算出の注目度）: 7.484221280249876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An important task in visualization is the extraction and highlighting of dominant features in data to support users in their analysis process. Topological methods are a well-known means of identifying such features in deterministic fields. However, many real-world phenomena studied today are the result of a chaotic system that cannot be fully described by a single simulation. Instead, the variability of such systems is usually captured with ensemble simulations that produce a variety of possible outcomes of the simulated process. The topological analysis of such ensemble data sets and uncertain data, in general, is less well studied. In this work, we present an approach for the computation and visual representation of confidence intervals for the occurrence probabilities of critical points in ensemble data sets. We demonstrate the added value of our approach over existing methods for critical point prediction in uncertain data on a synthetic data set and show its applicability to a data set from climate research.
• Abstract（参考訳）: 可視化における重要なタスクは、分析プロセスでユーザをサポートするために、データの支配的な特徴の抽出と強調である。 トポロジカルな手法は、決定論的分野におけるそのような特徴を識別するよく知られた方法である。 しかし、今日研究されている多くの実世界の現象は、単一のシミュレーションでは説明できないカオスシステムの結果である。 代わりに、そのようなシステムの可変性は通常、シミュレーションされたプロセスの様々な結果を生み出すアンサンブルシミュレーションでキャプチャされる。 このようなアンサンブルデータセットと不確かさデータのトポロジカル解析は、一般的にはあまり研究されていない。 本研究では,アンサンブルデータセットにおける臨界点の発生確率に対する信頼区間の計算と視覚的表現について述べる。 合成データセット上の不確実なデータにおける臨界点予測のための既存手法に対するアプローチの付加価値を実証し、気候研究から得られたデータセットに適用可能性を示す。

関連論文リスト

• Learning from Uncertain Data: From Possible Worlds to Possible Models [13.789554282826835]
  本研究では,不確実性のあるデータから線形モデルを学習するための効率的な手法を提案する。 我々はこれらのデータセットの変動をコンパクトに表現し、すべての可能な世界における勾配勾配のシンボリックな実行を可能にする。 提案手法は,全ての可能な最適モデルと予測範囲を過度に近似する。
  論文  参考訳（メタデータ） (2024-05-28T19:36:55Z)
• Topological Detection of Phenomenological Bifurcations with Unreliable Kernel Densities [0.5874142059884521]
  現象論的(P型)分岐は力学系の定性的変化である。 これらの分岐を検出する技術の現状は、システム実現のアンサンブルから計算される信頼性の高いカーネル密度推定を必要とする。 本研究では, 信頼できない密度推定を用いたP型分岐の検出手法を提案する。
  論文  参考訳（メタデータ） (2024-01-29T20:59:25Z)
• Probabilistic Modeling for Sequences of Sets in Continuous-Time [14.423456635520084]
  設定値データを連続的にモデリングするための一般的なフレームワークを開発する。 また,そのようなモデルを用いて確率的クエリに答える推論手法も開発している。
  論文  参考訳（メタデータ） (2023-12-22T20:16:10Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• 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)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Approximate Bayesian Computation with Path Signatures [0.5156484100374059]
  本稿では,時系列データ間の距離を構築するための自然候補としてパスシグネチャを導入する。 実験により, 従来の時系列モデルよりも高精度なベイズ後方推定が可能であることが示された。
  論文  参考訳（メタデータ） (2021-06-23T17:25:43Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。