論文の概要: Uncertainty Quantification in Inverse Models in Hydrology
- arxiv url: http://arxiv.org/abs/2310.02193v1
- Date: Tue, 3 Oct 2023 16:39:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 13:16:01.380051
- Title: Uncertainty Quantification in Inverse Models in Hydrology
- Title（参考訳）: 水理の逆モデルにおける不確かさの定量化
- Authors: Somya Sharma Chatterjee, Rahul Ghosh, Arvind Renganathan, Xiang Li,
Snigdhansu Chatterjee, John Nieber, Christopher Duffy, Vipin Kumar
- Abstract要約: 本研究では,ストリームフローと気象データから物理特性を復元する知識誘導確率逆モデリング手法を提案する。
我々は,河川流域特性を推定するための最先端の逆モデルと比較した。
我々のフレームワークはまた、逆モデルとフォワードモデルの両方の不確実性を定量化できるため、説明可能性の向上も提供する。
- 参考スコア（独自算出の注目度）: 9.020366051310384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In hydrology, modeling streamflow remains a challenging task due to the
limited availability of basin characteristics information such as soil geology
and geomorphology. These characteristics may be noisy due to measurement errors
or may be missing altogether. To overcome this challenge, we propose a
knowledge-guided, probabilistic inverse modeling method for recovering physical
characteristics from streamflow and weather data, which are more readily
available. We compare our framework with state-of-the-art inverse models for
estimating river basin characteristics. We also show that these estimates offer
improvement in streamflow modeling as opposed to using the original basin
characteristic values. Our inverse model offers 3\% improvement in R$^2$ for
the inverse model (basin characteristic estimation) and 6\% for the forward
model (streamflow prediction). Our framework also offers improved
explainability since it can quantify uncertainty in both the inverse and the
forward model. Uncertainty quantification plays a pivotal role in improving the
explainability of machine learning models by providing additional insights into
the reliability and limitations of model predictions. In our analysis, we
assess the quality of the uncertainty estimates. Compared to baseline
uncertainty quantification methods, our framework offers 10\% improvement in
the dispersion of epistemic uncertainty and 13\% improvement in coverage rate.
This information can help stakeholders understand the level of uncertainty
associated with the predictions and provide a more comprehensive view of the
potential outcomes.
- Abstract（参考訳）: 水文学では、土壌地質学や地形学のような盆地特性情報の限定的利用のため、流れのモデリングは依然として困難な課題である。
これらの特性は測定誤差のためうるさくなり、完全に欠落することもある。
この課題を克服するために、より容易に利用できるストリームフローと気象データから物理特性を復元する知識誘導確率逆モデリング手法を提案する。
河川流域特性を推定するための最新の逆モデルと比較した。
また,これらの推定値が,元々の流域特性値ではなく,流れモデルの改善をもたらすことを示した。
逆モデルでは R$^2$ が 3 % 改善され(基本特性推定)、フォワードモデルでは 6 % が改良される(ストリームフロー予測)。
我々のフレームワークは、逆モデルと前方モデルの両方における不確実性を定量化できるため、説明可能性も改善しています。
不確かさの定量化は、モデルの予測の信頼性と限界に関するさらなる洞察を提供することで、機械学習モデルの説明可能性を改善する上で重要な役割を果たす。
本分析では,不確実性推定の品質を評価する。
基準不確かさの定量化法と比較して,認識不確かさの分散率を10 %,カバレッジ率を13 %向上させた。
この情報は、ステークホルダーが予測に関連する不確実性のレベルを理解し、潜在的な結果をより包括的に見るのに役立つ。
関連論文リスト
- eXplainable Bayesian Multi-Perspective Generative Retrieval [6.823521786512908]
探索パイプラインに不確実な校正と解釈性を導入する。
LIME や SHAP などの手法を取り入れて,ブラックボックス・リランカモデルの挙動を解析する。
提案手法は3つのKILTデータセットにまたがる大幅な性能向上を示す。
論文 参考訳（メタデータ） (2024-02-04T09:34:13Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳（メタデータ） (2023-07-19T12:11:15Z) - Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。
我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文 参考訳（メタデータ） (2023-04-13T17:56:08Z) - Reliable Multimodal Trajectory Prediction via Error Aligned Uncertainty
Optimization [11.456242421204298]
よく校正されたモデルでは、不確実性推定はモデル誤差と完全に相関する。
本稿では,モデル誤差に整合した品質不確実性推定を導出するための,新しい誤差整合不確実性最適化手法を提案する。
本研究では, 平均変位誤差を1.69%, 4.69%, モデル誤差との不確実性相関を17.22%, 19.13%, ピアソン相関係数で定量化することにより, 平均変位誤差を1.69%, 4.69%改善することを示した。
論文 参考訳（メタデータ） (2022-12-09T12:33:26Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Probabilistic Inverse Modeling: An Application in Hydrology [5.221546270391291]
本研究では,頑健な流域特性を再構築可能な確率的逆モデルフレームワークを提案する。
より説明可能な逆モデルの構築,不確実性推定,堅牢性という2つの側面に対処する。
論文 参考訳（メタデータ） (2022-10-12T14:00:37Z) - Probabilistic Deep Learning to Quantify Uncertainty in Air Quality
Forecasting [5.007231239800297]
この研究は、空気質予測の現実的な設定における不確実性定量化の最先端技術を適用した。
本稿では,経験的性能,信頼度推定の信頼性,実用性に基づいて,トレーニング確率モデルを記述し,予測の不確実性を評価する。
本実験は,データ駆動空気質予測の不確かさの定量化において,提案モデルが従来よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-12-05T17:01:18Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Knowledge-guided Self-supervised Learning for estimating River-Basin
Characteristics [21.692056111111476]
本稿では,知識誘導型自己教師型学習アルゴリズムを用いて,流域特性を推定する逆モデルを提案する。
CAMELSデータセットを用いて本モデルの評価を行い,測定の不確実性を低減する能力について検証した。
論文 参考訳（メタデータ） (2021-09-14T04:38:23Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z)
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。