論文の概要: Fast parameter estimation of Generalized Extreme Value distribution
using Neural Networks
- arxiv url: http://arxiv.org/abs/2305.04341v1
- Date: Sun, 7 May 2023 17:40:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 16:24:07.302752
- Title: Fast parameter estimation of Generalized Extreme Value distribution
using Neural Networks
- Title（参考訳）: ニューラルネットワークを用いた一般化極値分布の高速パラメータ推定
- Authors: Sweta Rai, Alexis Hoffman, Soumendra Lahiri, Douglas W. Nychka,
Stephan R. Sain, Soutir Bandyopadhyay
- Abstract要約: 一般的な極値分布は、洪水、干ばつ、熱波、山火事などの極端な事象をモデル化するための一般的な選択である。
本稿では,ニューラルネットワークを用いた計算効率が高く,可能性のない推定手法を提案する。
提案手法は,従来の最大値法と同等の精度でGEV分布パラメータの推定値を提供する。
- 参考スコア（独自算出の注目度）: 9.987055028382876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The heavy-tailed behavior of the generalized extreme-value distribution makes
it a popular choice for modeling extreme events such as floods, droughts,
heatwaves, wildfires, etc. However, estimating the distribution's parameters
using conventional maximum likelihood methods can be computationally intensive,
even for moderate-sized datasets. To overcome this limitation, we propose a
computationally efficient, likelihood-free estimation method utilizing a neural
network. Through an extensive simulation study, we demonstrate that the
proposed neural network-based method provides Generalized Extreme Value (GEV)
distribution parameter estimates with comparable accuracy to the conventional
maximum likelihood method but with a significant computational speedup. To
account for estimation uncertainty, we utilize parametric bootstrapping, which
is inherent in the trained network. Finally, we apply this method to 1000-year
annual maximum temperature data from the Community Climate System Model version
3 (CCSM3) across North America for three atmospheric concentrations: 289 ppm
$\mathrm{CO}_2$ (pre-industrial), 700 ppm $\mathrm{CO}_2$ (future conditions),
and 1400 ppm $\mathrm{CO}_2$, and compare the results with those obtained using
the maximum likelihood approach.
- Abstract（参考訳）: 一般化された極値分布の重い尾の挙動は、洪水、干ばつ、熱波、山火事などの極端な事象をモデル化するための一般的な選択である。
しかし、従来の最大極大手法を用いて分布パラメータを推定することは、中程度のデータセットであっても計算集約的に行うことができる。
この限界を克服するために,ニューラルネットワークを用いた計算効率が高く,確率フリーな推定手法を提案する。
広範にわたるシミュレーション研究により,提案手法は,従来の最大値法に匹敵する精度で一般化極値(GEV)分布パラメータを推定するが,計算速度は大幅に向上することを示した。
推定の不確実性を考慮するために、トレーニングネットワークに固有のパラメトリックブートストラッピングを利用する。
最後に,北アメリカの気候モデルバージョン3 (ccsm3) から得られた1,000年間の年間最高気温データに対して,3つの大気濃度 (289 ppm$\mathrm{co}_2$ (プレ産業条件), 700 ppm$\mathrm{co}_2$ (将来の条件), 1400 ppm$\mathrm{co}_2$) を適用する。
関連論文リスト
- Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。
これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。
拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-11-10T01:26:16Z) - Extreme heatwave sampling and prediction with analog Markov chain and
comparisons with deep learning [0.0]
本研究では,フランスとスカンジナビアにおける熱波の確率推定に適したデータ駆動型エミュレータ,天気発生器(SWG)を提案する。
我々は,中間複雑性気候モデルを用いてエミュレータを訓練し,サンプルからの熱波の条件付き確率(予測)を予測することができることを示した。
SWGによる確率的予測は、畳み込みニューラルネットワーク(CNN)による予測と比較される。
論文 参考訳（メタデータ） (2023-07-18T08:25:14Z) - Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
線形化されたラプラス近似に下界を導入する。
これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
論文 参考訳（メタデータ） (2023-06-06T19:02:57Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - Dynamical prediction of two meteorological factors using the deep neural
network and the long short term memory $(1)$ [0.0]
本研究では,既存のニューラルネットワーク法を用いて予測精度を向上させる。
シミュレーション研究は、人工ニューラルネットワーク(ANN)、ディープニューラルネットワーク(DNN)、エクストリームラーニングマシン(ELM)、ロング短期メモリ(LSTM)を適用することによって行われます。
2014年3月から2020年2月までの韓国10都市の低周波時系列からデータを抽出する。
論文 参考訳（メタデータ） (2021-01-16T16:24:24Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Mean-Field Approximation to Gaussian-Softmax Integral with Application
to Uncertainty Estimation [23.38076756988258]
ディープニューラルネットワークにおける不確実性を定量化するための,新しい単一モデルに基づくアプローチを提案する。
平均場近似式を用いて解析的に難解な積分を計算する。
実験的に,提案手法は最先端の手法と比較して競合的に機能する。
論文 参考訳（メタデータ） (2020-06-13T07:32:38Z) - Estimating Basis Functions in Massive Fields under the Spatial Mixed
Effects Model [8.528384027684194]
大規模データセットでは、予測最大化(EM)アルゴリズムを用いた定位クリグが、通常の計算で禁止されるクリグ法に代わるものとして提案されている。
本研究では,空間混合効果(SME)モデルを用いた代替手法を開発したが,観測値と結び目の間の空間依存性の範囲をAECMアルゴリズムを用いて推定することで,さらなる柔軟性を実現することができる。
実験により,予測精度を犠牲にすることなく,余剰パラメータ推定の計算負担を最小化しながら,予測精度の向上を図っている。
論文 参考訳（メタデータ） (2020-03-12T19:36:40Z) - Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。
次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文 参考訳（メタデータ） (2020-01-31T23:50:03Z)
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。