論文の概要: Probabilistic Inverse Modeling: An Application in Hydrology
- arxiv url: http://arxiv.org/abs/2210.06213v1
- Date: Wed, 12 Oct 2022 14:00:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 13:08:46.875425
- Title: Probabilistic Inverse Modeling: An Application in Hydrology
- Title(参考訳): 確率的逆モデリング:水文学への応用
- Authors: Somya Sharma, Rahul Ghosh, Arvind Renganathan, Xiang Li, Snigdhansu
Chatterjee, John Nieber, Christopher Duffy, Vipin Kumar
- Abstract要約: 本研究では,頑健な流域特性を再構築可能な確率的逆モデルフレームワークを提案する。
より説明可能な逆モデルの構築,不確実性推定,堅牢性という2つの側面に対処する。
- 参考スコア(独自算出の注目度): 5.221546270391291
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The astounding success of these methods has made it imperative to obtain more
explainable and trustworthy estimates from these models. In hydrology, basin
characteristics can be noisy or missing, impacting streamflow prediction. For
solving inverse problems in such applications, ensuring explainability is
pivotal for tackling issues relating to data bias and large search space. We
propose a probabilistic inverse model framework that can reconstruct robust
hydrology basin characteristics from dynamic input weather driver and
streamflow response data. We address two aspects of building more explainable
inverse models, uncertainty estimation and robustness. This can help improve
the trust of water managers, handling of noisy data and reduce costs. We
propose uncertainty based learning method that offers 6\% improvement in $R^2$
for streamflow prediction (forward modeling) from inverse model inferred basin
characteristic estimates, 17\% reduction in uncertainty (40\% in presence of
noise) and 4\% higher coverage rate for basin characteristics.
- Abstract(参考訳): これらの手法の驚くべき成功は、これらのモデルからより説明可能で信頼できる見積もりを得ることを必須にした。
水理学では、流域特性はノイズや欠落があり、流路予測に影響を及ぼす。
このようなアプリケーションにおける逆問題を解くためには、データのバイアスと大きな検索空間に関する問題に取り組む上で、説明可能性の確保が重要である。
本研究では,動的入力気象ドライバとストリームフロー応答データからロバストな流域特性を再構築する確率的逆モデルフレームワークを提案する。
より説明可能な逆モデルの構築,不確実性推定,堅牢性という2つの側面に対処する。
これは、水管理者の信頼向上、騒がしいデータの処理、コスト削減に役立つ。
本研究では,逆モデル推定された流域特性推定値から,r^2$の流速予測(フォワードモデリング)に6\%改善できる不確実性に基づく学習法を提案する。
関連論文リスト
- Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements [0.0]
本稿では,低次グステンカウンタ流場と昇降係数をスパース・ノイズ表面圧力測定から再構成する新しい機械学習フレームワークを提案する。
本研究では,センサのガス-空気相互作用に対する応答の時間変化を徹底的に検討し,センサ配置に関する貴重な知見を明らかにする。
論文 参考訳(メタデータ) (2025-01-06T22:02:06Z) - Bayesian inference of mean velocity fields and turbulence models from flow MRI [0.0]
本研究では, 実効粘度モデルの最も可能性の高いパラメータを学習し, 乱流の平均流れデータから不確かさを推定するアルゴリズムを考案する。
このアルゴリズムは平均流れ場を再構成し、過度に適合することなく最も起こりうる乱流モデルパラメータを学習する。
論文 参考訳(メタデータ) (2024-12-15T18:07:36Z) - Short-term Streamflow and Flood Forecasting based on Graph Convolutional Recurrent Neural Network and Residual Error Learning [1.8434042562191815]
機械学習ベースのストリームフロー予測は、評価曲線からの大規模なストリームフローデータセットに依存する。
評価曲線モデリングの不確かさは、ストリームフローデータにエラーをもたらす可能性がある。
本研究では,これらのデータエラーに対処するストリームフロー予測手法を提案する。
論文 参考訳(メタデータ) (2024-12-06T04:16:35Z) - Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳(メタデータ) (2024-07-10T09:13:11Z) - Uncertainty Quantification in Inverse Models in Hydrology [9.020366051310384]
本研究では,ストリームフローと気象データから物理特性を復元する知識誘導確率逆モデリング手法を提案する。
我々は,河川流域特性を推定するための最先端の逆モデルと比較した。
我々のフレームワークはまた、逆モデルとフォワードモデルの両方の不確実性を定量化できるため、説明可能性の向上も提供する。
論文 参考訳(メタデータ) (2023-10-03T16:39:21Z) - Mutual Wasserstein Discrepancy Minimization for Sequential
Recommendation [82.0801585843835]
逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。
また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
論文 参考訳(メタデータ) (2023-01-28T13:38:48Z) - ReLU Regression with Massart Noise [52.10842036932169]
本稿では、ReLU回帰の基本的問題として、Rectified Linear Units(ReLU)をデータに適合させることを目標としている。
我々は自然およびよく研究された半ランダムノイズモデルであるMassartノイズモデルにおけるReLU回帰に着目した。
このモデルにおいて,パラメータの正確な回復を実現する効率的なアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-09-10T02:13:22Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Causal Autoregressive Flows [4.731404257629232]
自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。
我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
論文 参考訳(メタデータ) (2020-11-04T13:17:35Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳(メタデータ) (2020-08-07T08:22:26Z) - Composing Normalizing Flows for Inverse Problems [89.06155049265641]
本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。
本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
論文 参考訳(メタデータ) (2020-02-26T19:01:11Z)
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。