論文の概要: Multi-scale data reconstruction of turbulent rotating flows with Gappy POD, Extended POD and Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2210.11921v2
• Date: Fri, 3 Nov 2023 19:59:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 01:27:12.943156
• Title: Multi-scale data reconstruction of turbulent rotating flows with Gappy POD, Extended POD and Generative Adversarial Networks
• Title（参考訳）: Gappy POD, Extended POD, Generative Adversarial Networks を用いた乱流のマルチスケールデータ再構成
• Authors: Tianyi Li, Michele Buzzicotti, Luca Biferale, Fabio Bonaccorso, Shiyi Chen and Minping Wan
• Abstract要約: 本研究では, 回転する乱流スナップショットを空間的損傷(塗装)で再構成するために, 線形および非線形ツールを用いた。 統計的特性と瞬時速度場の両方を正確に再現することに注力する。 意外なことに、ポイントワイド再構成に関して、非線形GANは線形POD技術よりも優れていない。
• 参考スコア（独自算出の注目度）: 2.0722840259036546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data reconstruction of rotating turbulent snapshots is investigated utilizing data-driven tools. This problem is crucial for numerous geophysical applications and fundamental aspects, given the concurrent effects of direct and inverse energy cascades, which lead to non-Gaussian statistics at both large and small scales. Data assimilation also serves as a tool to rank physical features within turbulence, by evaluating the performance of reconstruction in terms of the quality and quantity of the information used. Additionally, benchmarking various reconstruction techniques is essential to assess the trade-off between quantitative supremacy, implementation complexity, and explicability. In this study, we use linear and non-linear tools based on the Proper Orthogonal Decomposition (POD) and Generative Adversarial Network (GAN) for reconstructing rotating turbulence snapshots with spatial damages (inpainting). We focus on accurately reproducing both statistical properties and instantaneous velocity fields. Different gap sizes and gap geometries are investigated in order to assess the importance of coherency and multi-scale properties of the missing information. Surprisingly enough, concerning point-wise reconstruction, the non-linear GAN does not outperform one of the linear POD techniques. On the other hand, supremacy of the GAN approach is shown when the statistical multi-scale properties are compared. Similarly, extreme events in the gap region are better predicted when using GAN. The balance between point-wise error and statistical properties is controlled by the adversarial ratio, which determines the relative importance of the generator and the discriminator in the GAN training. Robustness against the measurement noise is also discussed.
• Abstract（参考訳）: 回転乱流スナップショットのデータ再構成はデータ駆動ツールを用いて行われる。 この問題は、直接および逆エネルギーカスケードの同時効果を考えると、多くの地球物理学的応用や基礎的な側面において重要であり、これは大きなスケールと小さなスケールの両方で非ゲージ統計に繋がる。 データ同化は、使用する情報の品質と量の観点から再構成の性能を評価することにより、乱流内の物理的特徴をランク付けするツールとしても機能する。 加えて、様々な再構築技法のベンチマークは、量的優越性、実装の複雑さ、適用可能性の間のトレードオフを評価するのに不可欠である。 本研究では, 固有直交分解(POD)とGAN(Generative Adversarial Network)に基づく線形・非線形ツールを用いて, 空間的損傷を伴う回転乱流スナップショットの再構成を行う。 統計特性と瞬時速度場の両方を正確に再現することに注力する。 欠落情報の一貫性と多元的特性の重要度を評価するために, 異なるギャップサイズとギャップジオメトリについて検討した。 意外なことに、ポイントワイド再構成に関して、非線形GANは線形POD技術よりも優れていない。 一方、ganアプローチの超越性は、統計的多スケール特性を比較するときに示される。 同様に、gap領域の極端な事象はganを使用する際により予測される。 点次誤差と統計特性のバランスは逆比によって制御され、GAN訓練におけるジェネレータと判別器の相対的重要性を決定する。 測定ノイズに対するロバスト性についても論じる。

関連論文リスト

• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• MCGAN: Enhancing GAN Training with Regression-Based Generator Loss [5.7645234295847345]
  高忠実度データを生成する強力なツールとして,GAN(Adversarial Network)が登場している。 我々はモンテカルロガン(MCGAN)と呼ばれるアルゴリズムを提案する。 このアプローチは、革新的生成損失関数、すなわち回帰損失を利用して、回帰タスクとしてジェネレータトレーニングを再構成する。 本手法は, 有効発電機訓練のために, 判別器に弱い条件を必要とすることを示す。
  論文  参考訳（メタデータ） (2024-05-27T14:15:52Z)
• Uncertainty-Aware Deep Attention Recurrent Neural Network for Heterogeneous Time Series Imputation [0.25112747242081457]
  欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。 本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。 実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-01-04T13:21:11Z)
• Generative Adversarial Networks to infer velocity components in rotating turbulent flows [2.0873604996221946]
  CNNとGANは、ポイントワイドと統計的再構成の両方でEPODを常に上回ります。 解析は、予測と地上真実の間の空間距離$L$の標準検証ツールの両方を用いて行われる。
  論文  参考訳（メタデータ） (2023-01-18T13:59:01Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Disentangling Generative Factors of Physical Fields Using Variational Autoencoders [0.0]
  本研究は,非線形次元低減のための変分オートエンコーダ (VAE) の利用について検討する。 不整合分解は解釈可能であり、生成的モデリングを含む様々なタスクに転送することができる。
  論文  参考訳（メタデータ） (2021-09-15T16:02:43Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。