論文の概要: Gaussian processes at the Helm(holtz): A more fluid model for ocean currents

• arxiv url: http://arxiv.org/abs/2302.10364v2
• Date: Wed, 17 May 2023 15:16:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 20:09:17.863985
• Title: Gaussian processes at the Helm(holtz): A more fluid model for ocean currents
• Title（参考訳）: ヘルム(ホルツ)におけるガウス過程 : 海流のより流動的なモデル
• Authors: Renato Berlinghieri, Brian L. Trippe, David R. Burt, Ryan Giordano, Kaushik Srinivasan, Tamay \"Ozg\"okmen, Junfei Xia, Tamara Broderick
• Abstract要約: 海洋学者は、ブイ速度のスパース観測に基づいて、海流の予測と、現在のベクトル場における分岐点の同定に興味を持っている。 本稿では,標準定常カーネルを持つGPをブイデータに直接適用することで,現在の予測と発散同定の両方に苦慮することを示す。 代わりに、ヘルムホルツ分解によって得られるベクトル場の発散とカールフリー成分に標準定常核を置くことを提案する。
• 参考スコア（独自算出の注目度）: 15.287734986163077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Oceanographers are interested in predicting ocean currents and identifying divergences in a current vector field based on sparse observations of buoy velocities. Since we expect current velocity to be a continuous but highly non-linear function of spatial location, Gaussian processes (GPs) offer an attractive model. But we show that applying a GP with a standard stationary kernel directly to buoy data can struggle at both current prediction and divergence identification -- due to some physically unrealistic prior assumptions. To better reflect known physical properties of currents, we propose to instead put a standard stationary kernel on the divergence and curl-free components of a vector field obtained through a Helmholtz decomposition. We show that, because this decomposition relates to the original vector field just via mixed partial derivatives, we can still perform inference given the original data with only a small constant multiple of additional computational expense. We illustrate the benefits of our method on synthetic and real ocean data.
• Abstract（参考訳）: 海洋学者は、ブイ速度のばらばらな観測に基づいて、海流の予測と電流ベクトル場のダイバーシティの同定に興味を持っている。 電流速度は空間的位置の連続的かつ非線形な関数であると期待するため、ガウス過程(GP)は魅力的なモデルを提供する。 しかし、標準定常カーネルでgpをbuoyデータに直接適用することは、物理的に非現実的な事前仮定のため、現在の予測と分岐識別の両方に苦労する可能性がある。 電流の既知の物理的性質をよりよく反映するために、ヘルムホルツ分解によって得られるベクトル場の発散およびカールフリー成分に標準定常核を置くことを提案する。 この分解は、混合部分微分によってのみ元のベクトル場に関係しているため、計算コストを一定に増やすだけで、元のデータを推論できることが示される。 合成および実海データに対する本手法の利点について述べる。

関連論文リスト

• Straightness of Rectified Flow: A Theoretical Insight into Wasserstein Convergence [54.580605276017096]
  拡散モデルは画像生成とデノナイズのための強力なツールとして登場した。 最近、Liuらは新しい代替生成モデル Rectified Flow (RF) を設計した。 RFは,一連の凸最適化問題を用いて,ノイズからデータへの直流軌跡の学習を目的としている。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• On gauge freedom, conservativity and intrinsic dimensionality estimation in diffusion models [13.597551064547503]
  拡散モデル(Diffusion model)は、高次元におけるサンプリング品質と密度推定の点で、近年顕著な性能を示す生成モデルである。 拡散モデルのオリジナルの定式化において、このベクトル場はスコア関数であると仮定される。 本研究では, 正確な密度推定と正確なサンプリングが, 保守的成分が真値と正確に等しい場合に達成されることを示す。
  論文  参考訳（メタデータ） (2024-02-06T09:41:43Z)
• HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
  HelmFluidは流体の正確かつ解釈可能な予測器である。 ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。 HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
  論文  参考訳（メタデータ） (2023-10-16T16:38:32Z)
• Bayesian Renormalization [68.8204255655161]
  ベイズ統計的推論にインスパイアされた再正規化に対する完全情報理論的アプローチを提案する。 ベイズ再正規化の主な洞察は、フィッシャー計量が創発的RGスケールの役割を担う相関長を定義することである。 本研究では,ベイズ正規化方式が既存のデータ圧縮法やデータ生成法とどのように関係しているかを考察する。
  論文  参考訳（メタデータ） (2023-05-17T18:00:28Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Kernel Learning for Explainable Climate Science [19.654936516882803]
  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。
  論文  参考訳（メタデータ） (2022-09-11T22:10:08Z)
• Vorticity of Twisted Spinor Fields [0.0]
  相対的に新しいのは、この体の構造の渦中心が古典的な旋律とは異なり特異ではないという特定の文脈における観察である。 スピノル場の局所速度を計算する方法はいくつかあり、1つを除いては渦直線において特異な渦性を示す。
  論文  参考訳（メタデータ） (2022-08-17T15:41:06Z)
• Nonparametric Factor Trajectory Learning for Dynamic Tensor Decomposition [20.55025648415664]
  動的テンソル分解(NONFAT)のためのNON FActor Trajectory Learningを提案する。 我々は第2レベルのGPを用いてエントリ値をサンプリングし、エンティティ間の時間的関係をキャプチャする。 実世界のいくつかの応用において,本手法の利点を示した。
  論文  参考訳（メタデータ） (2022-07-06T05:33:00Z)
• 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)
• Generative Ensemble Regression: Learning Particle Dynamics from Observations of Ensembles with Physics-Informed Deep Generative Models [27.623119767592385]
  本稿では,離散時間とスパース時間で粒子アンサンブルを観測することにより,支配する常微分方程式(SODE)を推定する新しい手法を提案する。 パーティクル座標は、スナップショット毎に記録されるが、スナップショット全体では再生されない。 サンプル経路を生成する物理インフォームド生成モデルを訓練することにより、観測された粒子アンサンブル分布を確率測定空間内の曲線に適合させることを目指す。
  論文  参考訳（メタデータ） (2020-08-05T03:06:40Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。