論文の概要: Bayesian Learning of Coupled Biogeochemical-Physical Models
- arxiv url: http://arxiv.org/abs/2211.06714v2
- Date: Sun, 4 Jun 2023 17:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 04:04:22.387121
- Title: Bayesian Learning of Coupled Biogeochemical-Physical Models
- Title（参考訳）: 結合型生物地球化学物理モデルのベイズ学習
- Authors: Abhinav Gupta and Pierre F. J. Lermusiaux
- Abstract要約: 海洋生態系の予測モデルは、様々なニーズに使われている。
希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。
候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
- 参考スコア（独自算出の注目度）: 28.269731698116257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predictive dynamical models for marine ecosystems are used for a variety of
needs. Due to sparse measurements and limited understanding of the myriad of
ocean processes, there is however significant uncertainty. There is model
uncertainty in the parameter values, functional forms with diverse
parameterizations, level of complexity needed, and thus in the state fields. We
develop a Bayesian model learning methodology that allows interpolation in the
space of candidate models and discovery of new models from noisy, sparse, and
indirect observations, all while estimating state fields and parameter values,
as well as the joint PDFs of all learned quantities. We address the challenges
of high-dimensional and multidisciplinary dynamics governed by PDEs by using
state augmentation and the computationally efficient GMM-DO filter. Our
innovations include stochastic formulation and complexity parameters to unify
candidate models into a single general model as well as stochastic expansion
parameters within piecewise function approximations to generate dense candidate
model spaces. These innovations allow handling many compatible and embedded
candidate models, possibly none of which are accurate, and learning elusive
unknown functional forms. Our new methodology is generalizable, interpretable,
and extrapolates out of the space of models to discover new ones. We perform a
series of twin experiments based on flows past a ridge coupled with
three-to-five component ecosystem models, including flows with chaotic
advection. The probabilities of known, uncertain, and unknown model
formulations, and of state fields and parameters, are updated jointly using
Bayes' law. Non-Gaussian statistics, ambiguity, and biases are captured. The
parameter values and model formulations that best explain the data are
identified. When observations are sufficiently informative, model complexity
and functions are discovered.
- Abstract（参考訳）: 海洋生態系の予測力学モデルは様々なニーズに使われている。
希少な測定と海洋プロセスの理解が限られているため、大きな不確実性がある。
パラメータ値にはモデル不確実性、多様なパラメータ化を伴う関数形式、必要となる複雑さのレベル、したがって状態フィールドがある。
我々は,ベイズモデル学習手法を開発し,ベイズモデルの空間を補間し,ノイズ,スパース,間接観測から新しいモデルの発見を可能にするとともに,状態場とパラメータ値を推定し,全ての学習量の共同PDFも作成する。
状態拡張と計算効率のよいGMM-DOフィルタを用いて,PDEが管理する高次元・多分野ダイナミックスの課題に対処する。
我々の革新には、候補モデルを単一の一般モデルに統一する確率的定式化と複雑性パラメータ、および分断関数近似内の確率的拡張パラメータが含まれ、密な候補モデル空間を生成する。
これらの革新により、多くの互換性のある組込み候補モデルを扱うことができ、それらはおそらく正確ではなく、未知の機能形式を学べる。
我々の新しい方法論は一般化可能であり、解釈可能であり、新しい手法を発見するためにモデルの空間から外挿する。
カオス対流を含む3-5成分生態系モデルと結合した尾根を流れる流れに基づく一連の双対実験を行う。
既知の、不確定な、未知のモデル定式化、および状態フィールドとパラメータの確率はベイズの法則を用いて共同で更新される。
非ガウス統計、曖昧さ、偏見が捉えられる。
データを最もよく説明するパラメータ値とモデル定式化が識別される。
観測が十分有益な場合、モデルの複雑さと関数が発見される。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。
遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
論文 参考訳（メタデータ） (2024-06-21T01:32:03Z) - Towards Learning Stochastic Population Models by Gradient Descent [0.0]
パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。
モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
論文 参考訳（メタデータ） (2024-04-10T14:38:58Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Neural parameter calibration for large-scale multi-agent models [0.7734726150561089]
本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。
2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
論文 参考訳（メタデータ） (2022-09-27T17:36:26Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - Integrating Domain Knowledge in Data-driven Earth Observation with
Process Convolutions [13.13700072257046]
両アプローチを組み合わせたハイブリッド学習方式は,これらの問題を効果的に解決できると論じる。
具体的には,時系列モデリングにおける遅延力モデル (LFM) と呼ばれるGP畳み込みモデルのクラスを提案する。
アクティブ(ASCAT)およびパッシブ(SMOS, AMSR2)マイクロ波衛星からの土壌水分の時系列を考察する。
論文 参考訳（メタデータ） (2021-04-16T14:30:40Z) - 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)
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。