Fugu-MT 論文翻訳(概要): Sim2Real for Environmental Neural Processes

論文の概要: Sim2Real for Environmental Neural Processes

arxiv url: http://arxiv.org/abs/2310.19932v1
Date: Mon, 30 Oct 2023 18:49:06 GMT
ステータス: 処理完了
システム内更新日: 2023-11-01 18:04:25.773941
Title: Sim2Real for Environmental Neural Processes
Title（参考訳）: 環境ニューラルプロセスのためのSim2Real
Authors: Jonas Scholz, Tom R. Andersson, Anna Vaughan, James Requeima, Richard E. Turner
Abstract要約: 我々は「Sim2Real」の分析を行い、再分析と観測データの微調整を事前学習する。 Sim2Realは、天気予報や気象モニタリングのためのより正確なモデルを可能にする。
参考スコア（独自算出の注目度）: 20.850715955359593
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning (ML)-based weather models have recently undergone rapid improvements. These models are typically trained on gridded reanalysis data from numerical data assimilation systems. However, reanalysis data comes with limitations, such as assumptions about physical laws and low spatiotemporal resolution. The gap between reanalysis and reality has sparked growing interest in training ML models directly on observations such as weather stations. Modelling scattered and sparse environmental observations requires scalable and flexible ML architectures, one of which is the convolutional conditional neural process (ConvCNP). ConvCNPs can learn to condition on both gridded and off-the-grid context data to make uncertainty-aware predictions at target locations. However, the sparsity of real observations presents a challenge for data-hungry deep learning models like the ConvCNP. One potential solution is 'Sim2Real': pre-training on reanalysis and fine-tuning on observational data. We analyse Sim2Real with a ConvCNP trained to interpolate surface air temperature over Germany, using varying numbers of weather stations for fine-tuning. On held-out weather stations, Sim2Real training substantially outperforms the same model architecture trained only with reanalysis data or only with station data, showing that reanalysis data can serve as a stepping stone for learning from real observations. Sim2Real could thus enable more accurate models for weather prediction and climate monitoring.
Abstract（参考訳）: 機械学習(ML)ベースの気象モデルは、最近急速に改善されている。これらのモデルは通常、数値データ同化システムからのグリッド再解析データに基づいて訓練される。しかし、再分析データは、物理法則の仮定や時空間分解の低さといった制限を伴う。リアナリシスと現実のギャップは、気象観測所などの観測でMLモデルを直接訓練することへの関心が高まっている。分散した環境観測をモデル化するにはスケーラブルで柔軟なMLアーキテクチャが必要であり、そのうちの1つは畳み込み条件ニューラルプロセス(ConvCNP)である。 ConvCNPは、グリッドとオフザグリッドの両方のコンテキストデータを条件付きで学習し、ターゲット位置における不確実性を考慮した予測を行う。しかし、実際の観測の空間性は、ConvCNPのようなデータ・ハングリーな深層学習モデルに課題を呈している。一つの潜在的な解決策は'sim2real':再解析と観測データの微調整の事前トレーニングである。様々な気象観測所を用いてドイツ上空の気温を補間するように訓練されたconvcnpを用いてsim2realの解析を行った。保持された気象観測所では、sim2real trainingは、再解析データのみ、またはステーションデータのみでトレーニングされた同じモデルアーキテクチャを実質的に上回っており、再分析データは実際の観測から学習するための足場となる。これによってsim2realは、天気予報と気候モニタリングのより正確なモデルを可能にする。

関連論文リスト

On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
論文参考訳（メタデータ） (2024-06-19T10:28:11Z)
Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文参考訳（メタデータ） (2024-03-25T11:29:32Z)
Grounding Graph Network Simulators using Physical Sensor Observations [12.017054986629846]
実世界観測において,センサ情報を地上グラフネットワークシミュレータに統合する。点クラウドデータを用いて変形可能なオブジェクトのメッシュ状態を予測する。
論文参考訳（メタデータ） (2023-02-23T09:06:42Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
Differentiable Physics-based Greenhouse Simulation [4.420086316176459]
このモデルは完全に解釈可能であり、長期にわたって温室における気候と作物の動態を予測できる。本稿では、微分方程式の解法を提案し、データに観測不能な状態が存在しない問題に対処し、モデルを効率的に訓練する。
論文参考訳（メタデータ） (2022-11-21T14:37:25Z)
Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文参考訳（メタデータ） (2022-09-22T13:12:54Z)
Long-term stability and generalization of observationally-constrained stochastic data-driven models for geophysical turbulence [0.19686770963118383]
ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
論文参考訳（メタデータ） (2022-05-09T23:52:37Z)
Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文参考訳（メタデータ） (2021-11-02T12:33:42Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
Data-driven geophysical forecasting: Simple, low-cost, and accurate baselines with kernel methods [0.6875312133832078]
これらのエミュレータのカーネルもデータから学習されると、結果のデータ駆動モデルは方程式ベースモデルよりも高速であることを示す。気候学や永続性に基づく予測技術に対する大きな改善が見られます。
論文参考訳（メタデータ） (2021-02-13T19:57:33Z)

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。