Fugu-MT 論文翻訳(概要): Efficient deep data assimilation with sparse observations and time-varying sensors

論文の概要: Efficient deep data assimilation with sparse observations and time-varying sensors

arxiv url: http://arxiv.org/abs/2310.16187v1
Date: Tue, 24 Oct 2023 21:13:59 GMT
ステータス: 処理完了
システム内更新日: 2023-10-26 17:57:55.733203
Title: Efficient deep data assimilation with sparse observations and time-varying sensors
Title（参考訳）: スパース観測と時変センサを用いた高効率深部データ同化
Authors: Sibo Cheng, Che Liu, Yike Guo, Rossella Arcucci
Abstract要約: VariatIonal Data Assimilation(VIVID)のためのVoronoi-tessellation逆演算子 VariatIonal Data Assimilation(VIVID)のための新しい変分DAスキームであるVoronoi-tessellation Inverse operatorを導入する。 VIVIDはスパース、非構造化、時間変化センサーデータを扱うのに適している。
参考スコア（独自算出の注目度）: 17.249916158780884
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Variational Data Assimilation (DA) has been broadly used in engineering problems for field reconstruction and prediction by performing a weighted combination of multiple sources of noisy data. In recent years, the integration of deep learning (DL) techniques in DA has shown promise in improving the efficiency and accuracy in high-dimensional dynamical systems. Nevertheless, existing deep DA approaches face difficulties in dealing with unstructured observation data, especially when the placement and number of sensors are dynamic over time. We introduce a novel variational DA scheme, named Voronoi-tessellation Inverse operator for VariatIonal Data assimilation (VIVID), that incorporates a DL inverse operator into the assimilation objective function. By leveraging the capabilities of the Voronoi-tessellation and convolutional neural networks, VIVID is adept at handling sparse, unstructured, and time-varying sensor data. Furthermore, the incorporation of the DL inverse operator establishes a direct link between observation and state space, leading to a reduction in the number of minimization steps required for DA. Additionally, VIVID can be seamlessly integrated with Proper Orthogonal Decomposition (POD) to develop an end-to-end reduced-order DA scheme, which can further expedite field reconstruction. Numerical experiments in a fluid dynamics system demonstrate that VIVID can significantly outperform existing DA and DL algorithms. The robustness of VIVID is also accessed through the application of various levels of prior error, the utilization of varying numbers of sensors, and the misspecification of error covariance in DA.
Abstract（参考訳）: 変分データ同化(DA)は、複数のノイズデータソースの重み付けをすることで、現場復元と予測の工学的問題に広く用いられている。近年,DAにおけるディープラーニング(DL)技術の統合は,高次元力学系における効率と精度の向上を約束している。それにもかかわらず、既存の深部DAアプローチは、特に時間とともにセンサーの配置と数が動的である場合、非構造化観測データを扱うのに困難に直面している。本稿では,dl逆演算子を同化目的関数に組み込んだ変分データ同化のためのvoronoi-tessellation inverse operator(vivid)という新しい変分daスキームを導入する。 voronoi-tessellationとconvolutional neural networksの能力を活用することで、vividは、スパース、非構造化、時間変化のセンサーデータの処理に長けている。さらに、DL逆演算子の組み入れにより、観測と状態空間の直接リンクが確立され、DAに必要な最小化ステップの数が減少する。さらに、 vivid は適切な直交分解 (pod) とシームレスに統合でき、エンドツーエンドの還元順序 da スキームを開発することができる。流体力学系における数値実験により、VIVIDは既存のDAおよびDLアルゴリズムを大幅に上回ることを示す。 VIVIDのロバスト性は、様々なレベルの事前エラー、様々なセンサーの利用、DAにおける誤り共分散の誤特定などを通じてもアクセス可能である。

関連論文リスト

Combined Optimization of Dynamics and Assimilation with End-to-End Learning on Sparse Observations [1.492574139257933]
CODAは、疎度でノイズの多い観測から、ダイナミックスとDAを直接学習するエンドツーエンドの最適化スキームである。本研究では,非ロール型自己回帰力学と,弱い制約を持つ4Dvar DAのデータと自己整合性を組み合わせた新たな学習目標を提案する。
論文参考訳（メタデータ） (2024-09-11T09:36:15Z)
Hierarchical Features Matter: A Deep Exploration of GAN Priors for Improved Dataset Distillation [51.44054828384487]
階層的生成潜在蒸留(H-GLaD)と呼ばれる新しいパラメータ化法を提案する。本手法はGAN内の階層層を系統的に探索する。さらに,合成データセット評価に伴う計算負担を軽減するために,新しいクラス関連特徴距離尺度を導入する。
論文参考訳（メタデータ） (2024-06-09T09:15:54Z)
ADLDA: A Method to Reduce the Harm of Data Distribution Shift in Data Augmentation [11.887799310374174]
本研究では,データ分散シフトの負の影響を軽減することを目的とした新しいデータ拡張手法であるADLDAを紹介する。実験により、ADLDAは複数のデータセットにわたるモデル性能を著しく向上させることが示された。
論文参考訳（メタデータ） (2024-05-11T03:20:35Z)
Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
論文参考訳（メタデータ） (2023-05-25T15:46:20Z)
Learning in latent spaces improves the predictive accuracy of deep neural operators [0.0]
L-DeepONetは標準のDeepONetの拡張であり、高次元PDE入力の潜在表現と適切なオートエンコーダで識別される出力関数を利用する。 L-DeepONetは時間依存PDEの精度と計算効率の両面で標準手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-04-15T17:13:09Z)
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)
Generalised Latent Assimilation in Heterogeneous Reduced Spaces with Machine Learning Surrogate Models [10.410970649045943]
我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
論文参考訳（メタデータ） (2022-04-07T15:13:12Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
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)
Longitudinal Variational Autoencoder [1.4680035572775534]
不足値を含む高次元データを解析するための一般的なアプローチは、変分オートエンコーダ(VAE)を用いた低次元表現を学習することである。標準的なVAEは、学習した表現はi.d.であり、データサンプル間の相関を捉えることができないと仮定する。本稿では,多出力加法的ガウス過程(GP)を用いて,構造化された低次元表現を学習するVAEの能力を拡張した縦型VAE(L-VAE)を提案する。我々の手法は時間変化の共有効果とランダム効果の両方に同時に対応でき、構造化された低次元表現を生成する。
論文参考訳（メタデータ） (2020-06-17T10:30:14Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。