論文の概要: Generative Modelling of Stochastic Rotating Shallow Water Noise
- arxiv url: http://arxiv.org/abs/2403.10578v1
- Date: Fri, 15 Mar 2024 09:30:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 22:55:17.963114
- Title: Generative Modelling of Stochastic Rotating Shallow Water Noise
- Title（参考訳）: 確率回転浅水騒音の生成モデル
- Authors: Dan Crisan, Oana Lang, Alexander Lobbe,
- Abstract要約: 本稿では, サブグリッドスケールプロセスのパラメータ化に差が生じ, 流体力学の部分方程式のノイズを校正するための一般的な手法を提案する。
亜グリッドスケールプロセスのパラメータ化は、亜グリッドスケール変動に起因する系統的なモデル誤差を表現するために、気象・気候予測の不確実性の推定に必要である。
本手法は,入力データとして使用するモデルの標高変動を考慮した回転浅層水モデルで検証され,数値シミュレーションの結果,このノイズはガウス的ではないことがわかった。
- 参考スコア（独自算出の注目度）: 44.99833362998488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent work, the authors have developed a generic methodology for calibrating the noise in fluid dynamics stochastic partial differential equations where the stochasticity was introduced to parametrize subgrid-scale processes. The stochastic parameterization of sub-grid scale processes is required in the estimation of uncertainty in weather and climate predictions, to represent systematic model errors arising from subgrid-scale fluctuations. The previous methodology used a principal component analysis (PCA) technique based on the ansatz that the increments of the stochastic parametrization are normally distributed. In this paper, the PCA technique is replaced by a generative model technique. This enables us to avoid imposing additional constraints on the increments. The methodology is tested on a stochastic rotating shallow water model with the elevation variable of the model used as input data. The numerical simulations show that the noise is indeed non-Gaussian. The generative modelling technology gives good RMSE, CRPS score and forecast rank histogram results.
- Abstract（参考訳）: 近年,流体力学・確率偏微分方程式の雑音をパラメータ化するための一般的な手法が開発され,その確率性はサブグリッドスケールプロセスのパラメータ化に導入された。
亜グリッドスケールの変動から生じる系統的モデル誤差を表現するため, 気象・気候予測の不確実性の推定には, サブグリッドスケールプロセスの確率的パラメータ化が必要である。
従来の手法では、確率的パラメトリゼーションの増分が通常分散されるアンザッツに基づく主成分分析(PCA)技術を使用していた。
本稿では,PCA手法を生成モデル手法に置き換える。
これにより、インクリメントに追加の制約を課すのを避けることができます。
本手法は, 入力データとして使用するモデルの高度変動を考慮した, 確率的回転浅水モデルを用いて実験を行った。
数値シミュレーションにより、このノイズはガウス的でないことが分かる。
生成モデリング技術は、RMSE、CRPSスコア、および予測ランクヒストグラム結果を提供する。
関連論文リスト
- Differentiable Calibration of Inexact Stochastic Simulation Models via Kernel Score Minimization [11.955062839855334]
そこで本研究では,勾配降下によるカーネルスコア最小化による出力レベルデータを用いて,シミュレーションモデルの異なる入力パラメータを学習する。
モデル不正確性を考慮した新しい正規化結果を用いて,学習した入力パラメータの不確かさを定量化する。
論文 参考訳（メタデータ） (2024-11-08T04:13:52Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Noise in the reverse process improves the approximation capabilities of
diffusion models [27.65800389807353]
生成モデリングにおける最先端技術であるスコアベース生成モデリング(SGM)では、リバースプロセスは決定論的手法よりも優れた性能を発揮することが知られている。
本稿では,ニューラル常微分方程式 (ODE) とニューラルディメンション方程式 (SDE) を逆過程として比較し,この現象の核となる。
我々は、Fokker-Planck方程式の軌跡を近似するニューラルSDEの能力を解析し、ニューラルティの利点を明らかにする。
論文 参考訳（メタデータ） (2023-12-13T02:39:10Z) - Model-Based Reparameterization Policy Gradient Methods: Theory and
Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。
近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。
本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文 参考訳（メタデータ） (2023-10-30T18:43:21Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Uncertainty quantification in a mechanical submodel driven by a
Wasserstein-GAN [0.0]
本稿では,機械学習やデータ駆動手法における非線形手法の利用が重要であることを示す。
このような応用にはGAN(Generative Adversarial Networks)が適しており、Wasserstein-GANには勾配ペナルティのバリエーションがある。
論文 参考訳（メタデータ） (2021-10-26T13:18:06Z) - Accurate Parameter Estimation for Risk-aware Autonomous Systems [0.0]
本稿では,自律システムの動的モデルのパラメータを推定するためのスペクトル線に基づくアプローチについて述べる。
既存の文献では、力学系のすべての非モデル化された成分をガウス下雑音として扱っている。
提案手法は既存の文献と一致して$tildeO(sqrtT)$ regretを保証できることを示す。
論文 参考訳（メタデータ） (2020-06-23T01:20:44Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z) - Transport Gaussian Processes for Regression [0.22843885788439797]
本稿では,GP,ワープGP,学生プロセスなどを含むプロセス構築手法を提案する。
私たちのアプローチはレイヤベースのモデルにインスパイアされ、各レイヤが生成されたプロセス上で特定のプロパティを変更する。
実世界のデータを用いた実験により,提案モデルの有効性を検証した。
論文 参考訳（メタデータ） (2020-01-30T17:44:21Z)
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。