論文の概要: Fusing Climate Data Products using a Spatially Varying Autoencoder

• arxiv url: http://arxiv.org/abs/2403.07822v1
• Date: Tue, 12 Mar 2024 17:03:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 20:32:07.438027
• Title: Fusing Climate Data Products using a Spatially Varying Autoencoder
• Title（参考訳）: 空間変動型オートエンコーダによる気候データ生成
• Authors: Jacob A. Johnson, Matthew J. Heaton, William F. Christensen, Lynsie R. Warr, and Summer B. Rupper
• Abstract要約: 本研究は、同定可能かつ解釈可能なオートエンコーダの作成に焦点を当てる。 提案するオートエンコーダはベイズ統計フレームワークを利用する。 本研究では,高山地域の降水産物からの情報を組み合わせることで,オートエンコーダの有用性を実証する。
• 参考スコア（独自算出の注目度）: 0.5825410941577593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoencoders are powerful machine learning models used to compress information from multiple data sources. However, autoencoders, like all artificial neural networks, are often unidentifiable and uninterpretable. This research focuses on creating an identifiable and interpretable autoencoder that can be used to meld and combine climate data products. The proposed autoencoder utilizes a Bayesian statistical framework, allowing for probabilistic interpretations while also varying spatially to capture useful spatial patterns across the various data products. Constraints are placed on the autoencoder as it learns patterns in the data, creating an interpretable consensus that includes the important features from each input. We demonstrate the utility of the autoencoder by combining information from multiple precipitation products in High Mountain Asia.
• Abstract（参考訳）: オートエンコーダは、複数のデータソースから情報を圧縮するために使用される強力な機械学習モデルである。 しかしながら、すべての人工ニューラルネットワークと同様に、オートエンコーダはしばしば識別不能で解釈不能である。 本研究は,気候データ製品の融合と結合に使用できる,識別可能かつ解釈可能なオートエンコーダの作成に重点を置いている。 提案するオートエンコーダはベイズ統計フレームワークを用いて,確率論的解釈を可能とし,空間的に変化し,様々なデータ生成物間で有用な空間パターンをキャプチャする。 制約はデータ内のパターンを学習するオートエンコーダに置かれ、各入力から重要な機能を含む解釈可能なコンセンサスを生成する。 本研究では,高山アジアにおける複数の降水生成物からの情報を組み合わせることで,オートエンコーダの有用性を示す。

関連論文リスト

• Interpreting Outliers in Time Series Data through Decoding Autoencoder [2.156170153103442]
  本研究は、ドイツの自動車供給産業における時系列データの製造に焦点をあてる。 我々はオートエンコーダを用いて時系列全体を圧縮し,その潜在特徴に異常検出技術を適用する。
  論文  参考訳（メタデータ） (2024-09-03T08:52:21Z)
• Remote sensing framework for geological mapping via stacked autoencoders and clustering [0.15833270109954137]
  リモートセンシングデータを処理するための教師なし機械学習ベースのフレームワークを提案する。 オーストラリアのムタウィンチ地域の地質マッピングの枠組みを評価するために,ランドサット8,ASTER,Sentinel-2のデータセットを用いた。 本研究により, 岩盤単位を効率的に識別し, 高精度かつ解釈可能な地質図を作成できることが判明した。
  論文  参考訳（メタデータ） (2024-04-02T09:15:32Z)
• Generative Autoencoding of Dropout Patterns [11.965844936801801]
  本稿では,デ暗号オートエンコーダと呼ばれる生成モデルを提案する。 トレーニングデータセットの各データポイントに、ユニークなランダムなドロップアウトパターンを割り当てます。 次に、オートエンコーダをトレーニングして、このパターンを符号化する情報として、対応するデータポイントを再構築する。
  論文  参考訳（メタデータ） (2023-10-03T00:54:13Z)
• Learning Nonparametric High-Dimensional Generative Models: The Empirical-Beta-Copula Autoencoder [1.5714999163044752]
  自動エンコーダの潜伏空間を、サンプルが得られる分布でモデル化する必要がある。 本研究の目的は,潜伏空間を捕捉する様々な手法を議論し,評価し,比較することである。
  論文  参考訳（メタデータ） (2023-09-18T16:29:36Z)
• PEOPL: Characterizing Privately Encoded Open Datasets with Public Labels [59.66777287810985]
  プライバシとユーティリティのための情報理論スコアを導入し、不誠実なユーザの平均パフォーマンスを定量化する。 次に、ランダムなディープニューラルネットワークの使用を動機付ける符号化スキームのファミリーを構築する際のプリミティブを理論的に特徴づける。
  論文  参考訳（メタデータ） (2023-03-31T18:03:53Z)
• String-based Molecule Generation via Multi-decoder VAE [56.465033997245776]
  可変オートエンコーダ(VAE)による文字列型分子生成の問題点について検討する。 本稿では,そのタスクに対するVAEの性能を改善するための,シンプルで効果的なアイデアを提案する。 実験では,提案するVAEモデルを用いて,領域外分布からサンプルを生成する。
  論文  参考訳（メタデータ） (2022-08-23T03:56:30Z)
• Dataset Condensation with Latent Space Knowledge Factorization and Sharing [73.31614936678571]
  与えられたデータセットの規則性を利用してデータセットの凝縮問題を解決する新しい手法を提案する。 データセットを元の入力空間に直接凝縮するのではなく、学習可能な一連のコードでデータセットの生成プロセスを仮定する。 提案手法は,様々なベンチマークデータセットに対して,有意なマージンで新しい最先端記録を達成できることを実験的に示す。
  論文  参考訳（メタデータ） (2022-08-21T18:14:08Z)
• Mixture Model Auto-Encoders: Deep Clustering through Dictionary Learning [72.9458277424712]
  Mixture Model Auto-Encoders (MixMate)は、生成モデルで推論を実行することでデータをクラスタリングする新しいアーキテクチャである。 最先端のディープクラスタリングアルゴリズムと比較して,MixMateは競争性能が高いことを示す。
  論文  参考訳（メタデータ） (2021-10-10T02:30:31Z)
• Neural Distributed Source Coding [59.630059301226474]
  相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。 提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
  論文  参考訳（メタデータ） (2021-06-05T04:50:43Z)
• A Showcase of the Use of Autoencoders in Feature Learning Applications [11.329636084818778]
  オートエンコーダは、人工ニューラルネットワークに基づくデータ表現学習のための技術である。 この作業では、これらのアプリケーションを示し、オートエンコーダの設計とトレーニングに簡単に使えるインターフェースを備えたRパッケージを使ったコードサンプルを含む、オートエンコーダの動作方法の詳細を提供する。
  論文  参考訳（メタデータ） (2020-05-08T23:56:26Z)
• Learning Autoencoders with Relational Regularization [89.53065887608088]
  データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。 エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする 我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
  論文  参考訳（メタデータ） (2020-02-07T17:27:30Z)

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。