論文の概要: Flexible and efficient spatial extremes emulation via variational
autoencoders
- arxiv url: http://arxiv.org/abs/2307.08079v1
- Date: Sun, 16 Jul 2023 15:31:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 15:54:09.448711
- Title: Flexible and efficient spatial extremes emulation via variational
autoencoders
- Title(参考訳): 可変オートエンコーダによるフレキシブルで効率的な空間極端エミュレーション
- Authors: Likun Zhang and Xiaoyu Ma and Christopher K. Wikle and Rapha\"el Huser
- Abstract要約: 我々は、フレキシブルな非定常的依存特性を持つ新しい空間的極端なモデルを開発する。
時空間オートエンコーダ(extVAE)のエンコード・デ構造に統合する
- 参考スコア(独自算出の注目度): 2.707209835837147
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Many real-world processes have complex tail dependence structures that cannot
be characterized using classical Gaussian processes. More flexible spatial
extremes models such as Gaussian scale mixtures and single-station conditioning
models exhibit appealing extremal dependence properties but are often
exceedingly prohibitive to fit and simulate from. In this paper, we develop a
new spatial extremes model that has flexible and non-stationary dependence
properties, and we integrate it in the encoding-decoding structure of a
variational autoencoder (extVAE). The extVAE can be used as a spatio-temporal
emulator that characterizes the distribution of potential mechanistic model
output states and produces outputs that have the same properties as the inputs,
especially in the tail. Through extensive simulation studies, we show that our
extVAE is vastly more time-efficient than traditional Bayesian inference while
also outperforming many spatial extremes models with a stationary dependence
structure. To further demonstrate the computational power of the extVAE, we
analyze a high-resolution satellite-derived dataset of sea surface temperature
in the Red Sea, which includes daily measurements at 16703 grid cells.
- Abstract(参考訳): 多くの実世界のプロセスは、古典的なガウス過程では特徴づけられない複雑なテール依存構造を持つ。
ガウススケール混合物やシングルステーションコンディショニングモデルのようなより柔軟な空間的極端モデルは、極端依存特性をアピールするが、しばしば適合とシミュレートが極めて禁止される。
本稿では,柔軟性と非定常依存性を有する新しい空間的極端性モデルを開発し,変分オートエンコーダ(extvae)の符号化復号構造に統合する。
extVAEは、潜在的力学モデル出力状態の分布を特徴付ける時空間エミュレータとして使用することができ、特に尾部において入力と同じ特性を持つ出力を生成する。
大規模なシミュレーション研究により、我々のextVAEは従来のベイズ推定よりもはるかに時間効率が良く、静止構造を持つ多くの空間超越モデルよりも優れていることが示された。
さらに,extvaeの計算能力を示すために,1日16703グリッドセルでの観測を含む,紅海における海面温度の高解像度衛星データの解析を行った。
関連論文リスト
- Machine-Learned Closure of URANS for Stably Stratified Turbulence: Connecting Physical Timescales & Data Hyperparameters of Deep Time-Series Models [0.0]
我々は、非定常レイノルズ平均ナビエストークス方程式のクロージャモデリングのための時系列機械学習(ML)法を開発した。
我々は, 均一密度勾配により均一で安定に成層された崩壊SSTを考察した。
MLモデルがSSTの力学を正確に捉えるために必要な最小情報の時間尺度の比率は,流れのレイノルズ数と一致することがわかった。
論文 参考訳(メタデータ) (2024-04-24T18:58:00Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳(メタデータ) (2023-04-28T21:34:53Z) - Discovering Dynamic Patterns from Spatiotemporal Data with Time-Varying
Low-Rank Autoregression [12.923271427789267]
低ランクテンソル因子化により係数がパラメータ化される時間還元ベクトル自己回帰モデルを開発した。
時間的文脈において、複雑な時間変化系の挙動は、提案モデルにおける時間的モードによって明らかにすることができる。
論文 参考訳(メタデータ) (2022-11-28T15:59:52Z) - Learning to Accelerate Partial Differential Equations via Latent Global
Evolution [64.72624347511498]
The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。
我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。
更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
論文 参考訳(メタデータ) (2022-06-15T17:31:24Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Benign Overfitting in Time Series Linear Model with
Over-Parameterization [5.68558935178946]
複数の依存型に基づく推定器の過大なリスクの理論を考案する。
短期記憶プロセスにおけるリスクの収束率は、独立データの場合と同一であることを示す。
論文 参考訳(メタデータ) (2022-04-18T15:26:58Z) - 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) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Deep Switching Auto-Regressive Factorization:Application to Time Series
Forecasting [16.934920617960085]
DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。
DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。
本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
論文 参考訳(メタデータ) (2020-09-10T20:15:59Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
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。