論文の概要: Efficient Large-scale Nonstationary Spatial Covariance Function
Estimation Using Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2306.11487v1
- Date: Tue, 20 Jun 2023 12:17:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 14:34:17.635981
- Title: Efficient Large-scale Nonstationary Spatial Covariance Function
Estimation Using Convolutional Neural Networks
- Title(参考訳): 畳み込みニューラルネットワークを用いた大規模非定常空間共分散関数推定
- Authors: Pratik Nag, Yiping Hong, Sameh Abdulah, Ghulam A. Qadir, Marc G.
Genton, and Ying Sun
- Abstract要約: 非定常データからサブリージョンを導出するためにConvNetsを使用します。
定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。
提案手法の性能を大規模に評価する。
- 参考スコア(独自算出の注目度): 3.5455896230714194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial processes observed in various fields, such as climate and
environmental science, often occur on a large scale and demonstrate spatial
nonstationarity. Fitting a Gaussian process with a nonstationary Mat\'ern
covariance is challenging. Previous studies in the literature have tackled this
challenge by employing spatial partitioning techniques to estimate the
parameters that vary spatially in the covariance function. The selection of
partitions is an important consideration, but it is often subjective and lacks
a data-driven approach. To address this issue, in this study, we utilize the
power of Convolutional Neural Networks (ConvNets) to derive subregions from the
nonstationary data. We employ a selection mechanism to identify subregions that
exhibit similar behavior to stationary fields. In order to distinguish between
stationary and nonstationary random fields, we conducted training on ConvNet
using various simulated data. These simulations are generated from Gaussian
processes with Mat\'ern covariance models under a wide range of parameter
settings, ensuring adequate representation of both stationary and nonstationary
spatial data. We assess the performance of the proposed method with synthetic
and real datasets at a large scale. The results revealed enhanced accuracy in
parameter estimations when relying on ConvNet-based partition compared to
traditional user-defined approaches.
- Abstract(参考訳): 気候や環境科学などの様々な分野で観測される空間過程は、しばしば大規模に発生し、空間的非定常性を示す。
非定常なMat\'ern共分散によるガウス過程のフィッティングは困難である。
文献におけるこれまでの研究は、共分散関数の空間的変化のパラメータを推定するために空間分割法を用いてこの問題に取り組んできた。
パーティションの選択は重要な考慮事項だが、しばしば主観的であり、データ駆動アプローチが欠けている。
本研究では,畳み込みニューラルネットワーク(convolutional neural network, convnets)のパワーを利用して,非定常データから部分領域を導出する。
定常場と類似した挙動を示す部分領域を識別するための選択機構を用いる。
定常場と非定常場を区別するために,様々なシミュレーションデータを用いたConvNetのトレーニングを行った。
これらのシミュレーションは、幅広いパラメータ設定の下でMat\'ern共分散モデルを持つガウス過程から生成され、定常空間データと非定常空間データの適切な表現が確保される。
本研究では,合成データと実データを用いて提案手法の性能を大規模に評価する。
その結果,従来のユーザ定義手法と比較して,ConvNetベースの分割に依存するパラメータ推定精度が向上した。
関連論文リスト
- Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - History Matching for Geological Carbon Storage using Data-Space
Inversion with Spatio-Temporal Data Parameterization [0.0]
データ空間インバージョン(DSI)では、履歴にマッチした興味の量は、後続のジオモデルを構築することなく直接推測される。
これは、ベイズの設定内でのO(1000)事前シミュレーション結果、データパラメータ化、および後続サンプリングのセットを用いて効率よく達成される。
新たなパラメータ化では、次元縮小のための対向オートエンコーダ(AAE)と畳み込み長短期メモリ(convLSTM)ネットワークを使用して、圧力場と飽和場の空間分布と時間的進化を表す。
論文 参考訳(メタデータ) (2023-10-05T00:50:06Z) - Manifold Learning with Sparse Regularised Optimal Transport [0.17205106391379024]
実世界のデータセットはノイズの多い観測とサンプリングを受けており、基礎となる多様体に関する情報を蒸留することが大きな課題である。
本稿では,2次正規化を用いた最適輸送の対称版を利用する多様体学習法を提案する。
得られたカーネルは連続的な極限においてLaplace型演算子と整合性を証明し、ヘテロスケダスティックノイズに対する堅牢性を確立し、これらの結果をシミュレーションで示す。
論文 参考訳(メタデータ) (2023-07-19T08:05:46Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Relative representations enable zero-shot latent space communication [19.144630518400604]
ニューラルネットワークは、高次元空間に横たわるデータ多様体の幾何学的構造を潜在表現に埋め込む。
ニューラルネットワークがこれらの相対表現をどのように活用して、実際に潜時等尺不変性を保証するかを示す。
論文 参考訳(メタデータ) (2022-09-30T12:37:03Z) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳(メタデータ) (2022-04-07T17:59:19Z) - 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) - Sparse Algorithms for Markovian Gaussian Processes [18.999495374836584]
スパースマルコフ過程は、誘導変数の使用と効率的なカルマンフィルタライク再帰を結合する。
我々は,局所ガウス項を用いて非ガウス的確率を近似する一般的なサイトベースアプローチであるsitesを導出する。
提案手法は,変動推論,期待伝播,古典非線形カルマンスムーサなど,機械学習と信号処理の両方から得られるアルゴリズムの新たなスパース拡張の一群を導出する。
派生した方法は、モデルが時間と空間の両方で別々の誘導点を持つ文学時間データに適しています。
論文 参考訳(メタデータ) (2021-03-19T09:50:53Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳(メタデータ) (2020-03-19T15:36:31Z)
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。