Fugu-MT 論文翻訳(概要): Score-based Data Assimilation for a Two-Layer Quasi-Geostrophic Model

論文の概要: Score-based Data Assimilation for a Two-Layer Quasi-Geostrophic Model

arxiv url: http://arxiv.org/abs/2310.01853v2
Date: Thu, 2 Nov 2023 12:40:22 GMT
ステータス: 処理完了
システム内更新日: 2023-11-03 16:44:26.731024
Title: Score-based Data Assimilation for a Two-Layer Quasi-Geostrophic Model
Title（参考訳）: 2層準地すべりモデルにおけるスコアに基づくデータ同化
Authors: Fran\c{c}ois Rozet and Gilles Louppe
Abstract要約: 本研究は,新たなデータ同化手法であるスコアベースデータ同化(SDA)のスケーラビリティを,そのようなシステムで評価する。メモリ消費と実行時間を大幅に削減することを目的としたスコアネットワークアーキテクチャの変更を提案する。
参考スコア（独自算出の注目度）: 7.215767098253208
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data assimilation addresses the problem of identifying plausible state trajectories of dynamical systems given noisy or incomplete observations. In geosciences, it presents challenges due to the high-dimensionality of geophysical dynamical systems, often exceeding millions of dimensions. This work assesses the scalability of score-based data assimilation (SDA), a novel data assimilation method, in the context of such systems. We propose modifications to the score network architecture aimed at significantly reducing memory consumption and execution time. We demonstrate promising results for a two-layer quasi-geostrophic model.
Abstract（参考訳）: データ同化(Data assimilation)は、ノイズや不完全な観測を与えられた力学系の可塑性状態軌跡を特定する問題に対処する。地学では、地球物理力学系の高次元性により、しばしば数百万の次元を超える課題を示す。本研究は,新たなデータ同化手法であるスコアベースデータ同化(SDA)のスケーラビリティを,そのようなシステムで評価する。メモリ消費と実行時間を大幅に削減することを目的としたスコアネットワークアーキテクチャの変更を提案する。 2層準地動モデルにおいて有望な結果を示す。

関連論文リスト

Neural Incremental Data Assimilation [8.817223931520381]
ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
論文参考訳（メタデータ） (2024-06-21T11:42:55Z)
Recurrent Deep Kernel Learning of Dynamical Systems [0.5825410941577593]
デジタル双対は計算効率の低い低次モデル(ROM)を必要とし、物理的資産の複雑な力学を正確に記述することができる。データから低次元の潜伏空間を発見するために,データ駆動型非侵入型深層学習法(SVDKL)を提案する。その結果,本フレームワークは, (i) 測定値の復調と再構成, (ii) システム状態のコンパクトな表現の学習, (iii) 低次元潜在空間におけるシステム進化の予測, (iv) 不確実性をモデル化できることがわかった。
論文参考訳（メタデータ） (2024-05-30T07:49:02Z)
GrINd: Grid Interpolation Network for Scattered Observations [3.1516690022588616]
GrINd(Grid Interpolation for Scattered Observations)は、散乱した観測を高解像度グリッドにマッピングする新しいネットワークアーキテクチャである。高分解能空間において、NeuralPDEクラスモデルは、微分可能なODEソルバと完全な畳み込みニューラルネットワークを用いて、将来の時点におけるシステムの状態を予測する。我々は,分散した場所で観測された6つの物理系からなるベンチダイナベンチマークデータセット上で,GrINdを実験的に評価した。
論文参考訳（メタデータ） (2024-03-28T16:52:47Z)
TaylorPDENet: Learning PDEs from non-grid Data [2.0550543745258283]
TaylorPDENetは、この課題を克服するために設計された、新しい機械学習手法である。本アルゴリズムは,各観測点における動的系の多次元テイラー展開を用いて空間微分を推定し,予測を行う。我々は,異なるパラメータを持つ様々な対流拡散方程式のモデルについて評価し,格子構造データに対する等価なアプローチと同様に動作することを示す。
論文参考訳（メタデータ） (2023-06-26T08:40:24Z)
Score-based Data Assimilation [7.215767098253208]
軌道推定のためのスコアベースのデータ同化を導入する。我々は、任意の長さの軌道のスコアを、短いセグメントにまたがって一連のスコアに分解できるというキーインサイトに基づいて、状態軌道のスコアに基づく生成モデルを学ぶ。
論文参考訳（メタデータ） (2023-06-18T14:22:03Z)
Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文参考訳（メタデータ） (2022-11-20T15:49:11Z)
Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文参考訳（メタデータ） (2022-10-01T09:04:17Z)
TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。与えられたデータの次元変化に不変な手法を提案する。
論文参考訳（メタデータ） (2021-02-25T14:24:49Z)
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)
Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
論文参考訳（メタデータ） (2021-01-18T03:24:48Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。