論文の概要: Kernel Learning for Explainable Climate Science

• arxiv url: http://arxiv.org/abs/2209.04947v1
• Date: Sun, 11 Sep 2022 22:10:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 12:32:36.129523
• Title: Kernel Learning for Explainable Climate Science
• Title（参考訳）: 説明可能な気候科学のためのカーネル学習
• Authors: Vidhi Lalchand, Kenza Tazi, Talay M. Cheema, Richard E. Turner, Scott Hosking
• Abstract要約: ヒマラヤ上部インダス盆地の降水パターンをモデル化するための非定常核を提案する。 入力依存長スケールでパラメータ化した非定常ギブスカーネルを用いた降水時の空間的変動について考察する。 アブレーション実験では,提案するカーネルの各コンポーネントを,空間的共分散,時間的構造,共同時間的再構成をモデル化する能力を示すことによって動機付けを行った。
• 参考スコア（独自算出の注目度）: 19.654936516882803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Upper Indus Basin, Himalayas provides water for 270 million people and countless ecosystems. However, precipitation, a key component to hydrological modelling, is poorly understood in this area. A key challenge surrounding this uncertainty comes from the complex spatial-temporal distribution of precipitation across the basin. In this work we propose Gaussian processes with structured non-stationary kernels to model precipitation patterns in the UIB. Previous attempts to quantify or model precipitation in the Hindu Kush Karakoram Himalayan region have often been qualitative or include crude assumptions and simplifications which cannot be resolved at lower resolutions. This body of research also provides little to no error propagation. We account for the spatial variation in precipitation with a non-stationary Gibbs kernel parameterised with an input dependent lengthscale. This allows the posterior function samples to adapt to the varying precipitation patterns inherent in the distinct underlying topography of the Indus region. The input dependent lengthscale is governed by a latent Gaussian process with a stationary squared-exponential kernel to allow the function level hyperparameters to vary smoothly. In ablation experiments we motivate each component of the proposed kernel by demonstrating its ability to model the spatial covariance, temporal structure and joint spatio-temporal reconstruction. We benchmark our model with a stationary Gaussian process and a Deep Gaussian processes.
• Abstract（参考訳）: ヒマラヤのインダス盆地は人口2億7000万人と無数の生態系に水を供給している。 しかし, この地域では, 水文モデリングの重要な要素である降水があまり理解されていない。 この不確実性を取り巻く重要な課題は、盆地にまたがる複雑な時空間的な降水分布である。 本稿では,uibの沈殿パターンをモデル化するために,非定常カーネル構造を持つガウス過程を提案する。 ヒンドゥー・クシュ・カラコラム・ヒマラヤ地域の降水の定量化やモデル化の試みは、しばしば質的であり、より低い解像度では解決できない粗い仮定や単純化を含んでいる。 この研究機関は誤りの伝播もほとんど行っていない。 入力依存長スケールでパラメータ化した非定常ギブスカーネルによる降水の空間的変動について考察する。 これにより、後部関数のサンプルは、インダス地域の異なる基盤地形に固有の様々な降水パターンに適応することができる。 入力依存長スケールは、関数レベルのハイパーパラメータがスムーズに変化するように、定常二乗指数核を持つ潜在ガウス過程によって制御される。 アブレーション実験では,提案するカーネルの各コンポーネントを,空間的共分散,時間的構造,共同時空間再構成をモデル化し,モチベーションを高める。 我々は、定常ガウス過程とディープガウス過程でモデルをベンチマークする。

関連論文リスト

• A Generalized Unified Skew-Normal Process with Neural Bayes Inference [1.5388334141379898]
  近年、統計学者は非対称性や重尾のような非ガウス的な振る舞いを示す空間データに遭遇している。 ガウスモデルの限界に対処するため、様々な歪んだモデルが提案され、その人気は急速に高まっている。 文学における様々な提案の中で、統一スキュー・ノルマル(SUN)のような統一スキュー分布が注目されている。
  論文  参考訳（メタデータ） (2024-11-26T13:00:39Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion Processes [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Variational Inference at Glacier Scale [0.0]
  氷床モデルの空間的変動による基底運動と氷軟度パラメータの完全な後部分布を特徴付ける。 観測ノイズモデルの選択にかかわらず, 遅い流れの領域における後部不確実性が高いことが判明した。
  論文  参考訳（メタデータ） (2021-08-16T17:56:43Z)
• Learning the structure of wind: A data-driven nonlocal turbulence model for the atmospheric boundary layer [0.0]
  我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。 このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
  論文  参考訳（メタデータ） (2021-07-23T06:41:33Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Constraining subglacial processes from surface velocity observations using surrogate-based Bayesian inference [0.0]
  基底運動は、南極の外での氷の流束の主要なメカニズムであるが、それを予測するための広く適用可能なモデルである。 これは、小規模のベッド特性の観察と、基底運動が依存する時間変化水圧の予測の両方が困難であるためである。 我々は、グリーンランド南西部の表面速度の観測に基づく氷力学と氷下水理の結合モデルと条件付けにより、これらの問題にベイズ的アプローチを採っている。
  論文  参考訳（メタデータ） (2020-06-22T16:47:33Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。