論文の概要: Debias Coarsely, Sample Conditionally: Statistical Downscaling through
Optimal Transport and Probabilistic Diffusion Models
- arxiv url: http://arxiv.org/abs/2305.15618v1
- Date: Wed, 24 May 2023 23:40:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 18:12:34.434185
- Title: Debias Coarsely, Sample Conditionally: Statistical Downscaling through
Optimal Transport and Probabilistic Diffusion Models
- Title（参考訳）: Debias Coarsely, Sample Conditionally: Statistical Downscaling through Optimal Transport and Probabilistic Diffusion Models
- Authors: Zhong Yi Wan, Ricardo Baptista, Yi-fan Chen, John Anderson, Anudhyan
Boral, Fei Sha, Leonardo Zepeda-N\'u\~nez
- Abstract要約: 非ペアデータ間の統計的ダウンスケーリングのための2段階確率的フレームワークを提案する。
本研究では, 1次元および2次元流体問題に対する提案手法の有用性を実証する。
- 参考スコア（独自算出の注目度）: 22.278583879528426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a two-stage probabilistic framework for statistical downscaling
between unpaired data. Statistical downscaling seeks a probabilistic map to
transform low-resolution data from a (possibly biased) coarse-grained numerical
scheme to high-resolution data that is consistent with a high-fidelity scheme.
Our framework tackles the problem by tandeming two transformations: a debiasing
step that is performed by an optimal transport map, and an upsampling step that
is achieved by a probabilistic diffusion model with \textit{a posteriori}
conditional sampling. This approach characterizes a conditional distribution
without the need for paired data, and faithfully recovers relevant physical
statistics from biased samples. We demonstrate the utility of the proposed
approach on one- and two-dimensional fluid flow problems, which are
representative of the core difficulties present in numerical simulations of
weather and climate. Our method produces realistic high-resolution outputs from
low-resolution inputs, by upsampling resolutions of $8\times$ and $16\times$.
Moreover, our procedure correctly matches the statistics of physical
quantities, even when the low-frequency content of the inputs and outputs do
not match, a crucial but difficult-to-satisfy assumption needed by current
state-of-the-art alternatives.
- Abstract（参考訳）: 非ペアデータ間の統計的ダウンスケールのための2段階確率的フレームワークを提案する。
統計的ダウンスケーリングは、低分解能データを(偏りのある)粗い数値スキームから高忠実度スキームに整合した高分解能データに変換する確率写像を求める。
提案手法では,最適トランスポートマップによるデバイアスステップと,<textit{a posteriori>条件サンプリングを用いた確率的拡散モデルによるアップサンプリングステップの2つの変換を組み合わせることでこの問題に対処した。
このアプローチは、ペアデータを必要としない条件分布を特徴付け、バイアスサンプルから関連する物理統計を忠実に復元する。
本研究では, 気象・気候の数値シミュレーションにおける中核的な問題である1次元および2次元流体流問題に対する提案手法の有用性を実証する。
提案手法は,8\times$と16\times$の解像度をアップサンプリングすることで,低解像度入力から現実的な高解像度出力を生成する。
さらに,本手法は,入力と出力の低周波内容が一致しない場合でも,物理量の統計値と正しく一致している。
関連論文リスト
- Probabilistic Iterative Hard Thresholding for Sparse Learning [2.5782973781085383]
本稿では,基本性制約を用いた予測目標最適化問題の解法を提案する。
基礎となるプロセスの収束を証明し、2つの機械学習問題における性能を実証する。
論文 参考訳（メタデータ） (2024-09-02T18:14:45Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Flow-based Distributionally Robust Optimization [23.232731771848883]
We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。
我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。
本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
論文 参考訳（メタデータ） (2023-10-30T03:53:31Z) - Arbitrary Distributions Mapping via SyMOT-Flow: A Flow-based Approach Integrating Maximum Mean Discrepancy and Optimal Transport [2.7309692684728617]
本稿では,2つの未知分布からの標本間の対称最大平均誤差を最小化することにより,可逆変換を訓練するSyMOT-Flowと呼ばれる新しいモデルを提案する。
結果として得られる変換はより安定で正確なサンプル生成をもたらす。
論文 参考訳（メタデータ） (2023-08-26T08:39:16Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳（メタデータ） (2023-06-13T03:42:03Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳（メタデータ） (2021-10-20T12:25:22Z) - Low-rank statistical finite elements for scalable model-data synthesis [0.8602553195689513]
statFEMは、支配方程式に強制を埋め込むことによって、事前モデルの誤特定を認める。
この方法は、観測されたデータ生成過程を最小限の情報損失で再構築する。
本稿では、下層の密度共分散行列の低ランク近似を埋め込むことで、このハードルを克服する。
論文 参考訳（メタデータ） (2021-09-10T09:51:43Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z)
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。