Fugu-MT 論文翻訳(概要): Neural Bayes Estimators for Irregular Spatial Data using Graph Neural Networks

論文の概要: Neural Bayes Estimators for Irregular Spatial Data using Graph Neural Networks

arxiv url: http://arxiv.org/abs/2310.02600v1
Date: Wed, 4 Oct 2023 06:13:22 GMT
ステータス: 処理完了
システム内更新日: 2023-10-05 16:23:18.703602
Title: Neural Bayes Estimators for Irregular Spatial Data using Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いた不規則空間データのニューラルベイズ推定
Authors: Matthew Sainsbury-Dale, Jordan Richards, Andrew Zammit-Mangion, and Rapha\"el Huser
Abstract要約: 任意の空間的位置から収集したデータからパラメータ推定する問題に,グラフニューラルネットワークを用いて対処する。ニューラルベイズ推定を不規則な空間データに拡張することに加えて、我々のアーキテクチャは相当な計算上の利点をもたらす。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural Bayes estimators are neural networks that approximate Bayes estimators in a fast and likelihood-free manner. They are appealing to use with spatial models and data, where estimation is often a computational bottleneck. However, neural Bayes estimators in spatial applications have, to date, been restricted to data collected over a regular grid. These estimators are also currently dependent on a prescribed set of spatial locations, which means that the neural network needs to be re-trained for new data sets; this renders them impractical in many applications and impedes their widespread adoption. In this work, we employ graph neural networks to tackle the important problem of parameter estimation from data collected over arbitrary spatial locations. In addition to extending neural Bayes estimation to irregular spatial data, our architecture leads to substantial computational benefits, since the estimator can be used with any arrangement or number of locations and independent replicates, thus amortising the cost of training for a given spatial model. We also facilitate fast uncertainty quantification by training an accompanying neural Bayes estimator that approximates a set of marginal posterior quantiles. We illustrate our methodology on Gaussian and max-stable processes. Finally, we showcase our methodology in a global sea-surface temperature application, where we estimate the parameters of a Gaussian process model in 2,161 regions, each containing thousands of irregularly-spaced data points, in just a few minutes with a single graphics processing unit.
Abstract（参考訳）: ニューラルベイズ推定器は、ベイズ推定器を高速かつ可能性のない方法で近似するニューラルネットワークである。彼らは、推定がしばしば計算のボトルネックとなる空間モデルやデータの利用をアピールしている。しかし、空間的応用におけるニューラルベイズ推定器は、これまで通常のグリッド上で収集されたデータに限定されていた。これらの推定器は現在、所定の空間的位置に依存するため、ニューラルネットワークを新たなデータセットのために再トレーニングする必要がある。本研究では,任意の空間上のデータからパラメータ推定を行う重要な問題に,グラフニューラルネットワークを用いて取り組む。ニューラルベイズ推定を不規則な空間データに拡張することに加えて、推定器は任意の配置や位置の数、独立した複製で使用することができ、与えられた空間モデルのトレーニングコストを償却することができるため、我々のアーキテクチャはかなりの計算上の利点をもたらす。また, 近接するニューラルベイズ推定器を訓練することにより, 高速不確実性定量化の促進を図る。ガウス過程と最大安定過程の方法論を説明する。最後に,本手法を大域的な海面温度アプリケーションで紹介し,ガウス過程モデルのパラメータを2,161の領域で推定し,それぞれに不規則に配置された数千のデータポイントを1つのグラフィック処理ユニットでほんの数分で格納する。

関連論文リスト

A Subsampling Based Neural Network for Spatial Data [0.0]
本稿では、空間データに対する一貫した局所化された2層ディープニューラルネットワークに基づく回帰を提案する。観測されたデータと予測されたデータの経験的確率分布の差分尺度の収束率を実験的に観察し、より滑らかな空間表面ではより高速になる。この応用は非線形空間回帰の効果的な例である。
論文参考訳（メタデータ） (2024-11-06T02:37:43Z)
Trade-Offs of Diagonal Fisher Information Matrix Estimators [53.35448232352667]
Fisher情報行列は、ニューラルネットワークのパラメータ空間の局所幾何学を特徴付けるのに使うことができる。精度とサンプルの複雑さが関連する分散に依存する2つの人気推定器について検討する。分散のバウンダリを導出し、回帰と分類のためにニューラルネットワークでそれらをインスタンス化する。
論文参考訳（メタデータ） (2024-02-08T03:29:10Z)
Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文参考訳（メタデータ） (2024-01-12T22:51:48Z)
Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
論文参考訳（メタデータ） (2023-05-30T03:55:37Z)
Neural networks for geospatial data [0.0]
NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。 NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
論文参考訳（メタデータ） (2023-04-18T17:52:23Z)
Likelihood-Free Parameter Estimation with Neural Bayes Estimators [0.0]
ニューラルネットワークは、データをパラメータポイント推定にマッピングするニューラルネットワークである。我々は,この比較的新しい推論ツールに対する統計学者の意識を高め,ユーザフレンドリーなオープンソースソフトウェアを提供することで,その採用を促進することを目的としている。
論文参考訳（メタデータ） (2022-08-27T06:58:16Z)
Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
論文参考訳（メタデータ） (2022-06-14T09:40:17Z)
DeepBayes -- an estimator for parameter estimation in stochastic nonlinear dynamical models [11.917949887615567]
本研究では,DeepBayes推定器を提案する。ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
論文参考訳（メタデータ） (2022-05-04T18:12:17Z)
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)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文参考訳（メタデータ） (2020-06-16T18:43:31Z)

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。