論文の概要: Machine Learning Techniques for Data Reduction of Climate Applications

• arxiv url: http://arxiv.org/abs/2405.00879v1
• Date: Wed, 1 May 2024 21:44:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 18:23:47.345712
• Title: Machine Learning Techniques for Data Reduction of Climate Applications
• Title（参考訳）: 気候利用データ削減のための機械学習技術
• Authors: Xiao Li, Qian Gong, Jaemoon Lee, Scott Klasky, Anand Rangarajan, Sanjay Ranka,
• Abstract要約: 本稿では,まずニューラルネットワーク技術を用いてQoIが存在する可能性が高い領域を導出するパイプライン圧縮手法を提案する。 差分誤差境界を持つデータを圧縮するために、Gurranteed Autoencoder (GAE) を用いる。 その結果,熱帯性サイクロンや大気中の河川検出・追跡などの下流量のE3SMシミュレーションモデルから得られた気候データについて報告する。
• 参考スコア（独自算出の注目度）: 11.55089543867768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientists conduct large-scale simulations to compute derived quantities-of-interest (QoI) from primary data. Often, QoI are linked to specific features, regions, or time intervals, such that data can be adaptively reduced without compromising the integrity of QoI. For many spatiotemporal applications, these QoI are binary in nature and represent presence or absence of a physical phenomenon. We present a pipelined compression approach that first uses neural-network-based techniques to derive regions where QoI are highly likely to be present. Then, we employ a Guaranteed Autoencoder (GAE) to compress data with differential error bounds. GAE uses QoI information to apply low-error compression to only these regions. This results in overall high compression ratios while still achieving downstream goals of simulation or data collections. Experimental results are presented for climate data generated from the E3SM Simulation model for downstream quantities such as tropical cyclone and atmospheric river detection and tracking. These results show that our approach is superior to comparable methods in the literature.
• Abstract（参考訳）: 科学者は、一次データから導出した興味の量(QoI)を計算するために大規模なシミュレーションを行う。 QoIは特定の特徴、地域、時間間隔に関連付けられ、QoIの整合性を損なうことなくデータを適応的に低減することができる。 多くの時空間的応用において、これらのQoIは自然界において二項であり、物理的現象の有無を表す。 本稿では,まずニューラルネットワーク技術を用いてQoIが存在する可能性が高い領域を導出するパイプライン圧縮手法を提案する。 次に、Gurranteed Autoencoder (GAE) を用いて、差分誤差境界を持つデータを圧縮する。 GAEはQoI情報を使用して、これらの領域のみに低エラー圧縮を適用する。 これにより、シミュレーションやデータ収集の下流目標を達成しつつ、全体的な高い圧縮比が得られる。 熱帯性サイクロンや大気中の河川検出・追跡などの下流量のE3SMシミュレーションモデルから得られた気候データについて実験を行った。 これらの結果から,本手法は文献に比較して優れていることがわかった。

関連論文リスト

• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Neural Compression of Atmospheric States [19.938380199858454]
  ニューラルネットワークの手法を用いて大気状態を圧縮する手法を提案する。 モデルの両方の族が小さな平均誤差のデシラタを満たすことを示す。 大気中における1000倍を超える圧縮比を示すとともに, 大気中における圧縮と減圧を約1秒の速さで示す。
  論文  参考訳（メタデータ） (2024-07-16T12:38:39Z)
• Fourier Neural Operators for Arbitrary Resolution Climate Data Downscaling [16.890326773246414]
  本稿では,フーリエニューラル演算子に基づくダウンスケーリング手法を提案する。 提案手法は, 最先端の畳み込みモデルおよび生成的対向性ダウンスケーリングモデルより有意に優れていることを示す。 全体として、我々の研究は物理過程のシミュレーションと低解像度出力のギャップを埋める。
  論文  参考訳（メタデータ） (2023-05-23T18:25:08Z)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• A Physics-Informed Vector Quantized Autoencoder for Data Compression of Turbulent Flow [28.992515947961593]
  本研究では,ベクトル量子化に基づく物理インフォームドディープラーニング手法を適用し,乱流から低次元のデータ表現を生成する。 モデルの精度は、統計的・比較的類似度と物理的類似度を用いて評価される。 我々のモデルは、平均二乗誤差(MSE)が$O(10-3)$のCR$=85$と、非常に小さなスケールを除いて流れの統計を忠実に再現する予測を提供する。
  論文  参考訳（メタデータ） (2022-01-10T19:55:50Z)
• 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)
• 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)
• Using Deep Learning to Explore Local Physical Similarity for Global-scale Bridging in Thermal-hydraulic Simulation [4.350727579753697]
  現在の熱水和コードでは、実際の植物条件をシミュレートする際の信頼性が制限されている。 本稿では,これらの課題を克服するためのデータ駆動型特徴類似度測定FFSMを提案する。 深層学習は局所的な物理的特徴とシミュレーションエラーの関係の構築と探索に応用される。
  論文  参考訳（メタデータ） (2020-01-06T20:14:46Z)

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。