論文の概要: Climate Impact Modelling Framework
- arxiv url: http://arxiv.org/abs/2209.12080v2
- Date: Tue, 27 Sep 2022 10:39:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 11:37:05.362320
- Title: Climate Impact Modelling Framework
- Title(参考訳): 気候影響モデリングフレームワーク
- Authors: Blair Edwards, Paolo Fraccaro, Nikola Stoyanov, Nelson Bore, Julian
Kuehnert, Kommy Weldemariam, Anne Jones
- Abstract要約: 地理空間モデルのデプロイと運用のためのクラウドベースのモジュラーフレームワークを提案する。
気候影響モデリングフレームワーク(CIMF)は、モジュールモデルの動的かつ柔軟な展開を可能にする。
洪水モデリングは、CIMFの運用を実証するためのエンドツーエンドの例として用いられる。
- 参考スコア(独自算出の注目度): 0.3001724125012138
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The application of models to assess the risk of the physical impacts of
weather and climate and their subsequent consequences for society and business
is of the utmost importance in our changing climate. The operation of such
models is historically bespoke and constrained to specific compute
infrastructure, driving datasets and predefined configurations. These
constraints introduce challenges with scaling model runs and putting the models
in the hands of interested users. Here we present a cloud-based modular
framework for the deployment and operation of geospatial models, initially
applied to climate impacts. The Climate Impact Modelling Frameworks (CIMF)
enables the deployment of modular workflows in a dynamic and flexible manner.
Users can specify workflow components in a streamlined manner, these components
can then be easily organised into different configurations to assess risk in
different ways and at different scales. This also enables different models
(physical simulation or machine learning models) and workflows to be connected
to produce combined risk assessment. Flood modelling is used as an end-to-end
example to demonstrate the operation of CIMF.
- Abstract(参考訳): 気象や気候の物理的影響とその社会やビジネスへの影響のリスクを評価するためのモデルの適用は、我々の変化する気候において最も重要である。
このようなモデルの操作は歴史的に悪用され、特定の計算インフラに制約され、データセットと事前定義された設定を駆動する。
これらの制約は、モデルの実行をスケーリングし、モデルを関心のあるユーザの手に渡すという課題をもたらす。
本稿では,地理空間モデルのデプロイと運用のためのクラウドベースのモジュラーフレームワークを提案する。
気候影響モデリングフレームワーク(cimf)は、動的かつ柔軟な方法でモジュールワークフローの展開を可能にする。
ユーザはワークフローコンポーネントを合理化された方法で指定でき、これらのコンポーネントをさまざまな構成に簡単に整理して、さまざまな方法でさまざまなスケールでリスクを評価することができる。
これにより、異なるモデル(物理シミュレーションや機械学習モデル)とワークフローを接続して、リスクアセスメントを組み合わせることも可能になる。
洪水モデリングは、CIMFの運用を実証するためのエンドツーエンドの例として用いられる。
関連論文リスト
- A Priori Uncertainty Quantification of Reacting Turbulence Closure
Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳(メタデータ) (2024-02-28T22:19:55Z) - Variational Exploration Module VEM: A Cloud-Native Optimization and
Validation Tool for Geospatial Modeling and AI Workflows [0.0]
クラウドベースのデプロイメントは、これらのモデリングとAIのスケールアップに役立つ。
我々は,クラウドにデプロイされたモデリングの最適化と検証を容易にする変分探索モジュールを開発した。
モデルに依存しないモジュールの柔軟性と堅牢性は、実世界のアプリケーションを用いて実証される。
論文 参考訳(メタデータ) (2023-11-26T23:07:00Z) - Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。
しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。
これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文 参考訳(メタデータ) (2023-04-05T07:28:33Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Minimal Value-Equivalent Partial Models for Scalable and Robust Planning
in Lifelong Reinforcement Learning [56.50123642237106]
モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。
このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。
我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
論文 参考訳(メタデータ) (2023-01-24T16:40:01Z) - Context-Adaptive Deep Neural Networks via Bridge-Mode Connectivity [2.294014185517203]
文脈依存型モデルを学習するための新しい手法を開発した。
複数のレンズを用いた分類タスクにおける文脈定義について検討する。
実験では、モデルの性能が各シナリオのコンテキストに合わせてうまく調整できることが示されている。
論文 参考訳(メタデータ) (2022-11-28T15:21:54Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - Towards automation of threat modeling based on a semantic model of
attack patterns and weaknesses [0.0]
本研究は,形式的知識基盤(モデル)の構築と利用に関する課題を考察する。
提案モデルは、様々な脅威景観を構築するために、テクニック、攻撃パターン、弱点、脆弱性の関係を学習するために使用できる。
論文 参考訳(メタデータ) (2021-12-08T11:13:47Z) - Ensemble Distillation for Robust Model Fusion in Federated Learning [72.61259487233214]
Federated Learning(FL)は、多くのデバイスが機械学習モデルを協調的にトレーニングする機械学習環境である。
現在のトレーニングスキームのほとんどでは、サーバモデルのパラメータと更新されたパラメータをクライアント側から平均化することで、中央モデルを洗練します。
本研究では,モデル融合のためのアンサンブル蒸留法を提案する。
論文 参考訳(メタデータ) (2020-06-12T14:49:47Z) - Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。
アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。
デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
論文 参考訳(メタデータ) (2020-01-20T15:15:07Z)
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。