Fugu-MT 論文翻訳(概要): A Likelihood-Based Generative Approach for Spatially Consistent Precipitation Downscaling

論文の概要: A Likelihood-Based Generative Approach for Spatially Consistent Precipitation Downscaling

arxiv url: http://arxiv.org/abs/2407.04724v1
Date: Wed, 26 Jun 2024 07:32:04 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 16:25:52.671243
Title: A Likelihood-Based Generative Approach for Spatially Consistent Precipitation Downscaling
Title（参考訳）: 空間的に一貫性のある降水ダウンスケーリングのための類似性に基づく生成的アプローチ
Authors: Jose González-Abad,
Abstract要約: この研究は、生成モデルで使用される可能性に基づく強みと敵対的損失の強みを融合させることにより、新しいアプローチを探求する。その結果,両手法の利点を生かし,降水量削減のための可能性に基づく生成手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning has emerged as a promising tool for precipitation downscaling. However, current models rely on likelihood-based loss functions to properly model the precipitation distribution, leading to spatially inconsistent projections when sampling. This work explores a novel approach by fusing the strengths of likelihood-based and adversarial losses used in generative models. As a result, we propose a likelihood-based generative approach for precipitation downscaling, leveraging the benefits of both methods.
Abstract（参考訳）: 深層学習は降水ダウンスケーリングのための有望なツールとして登場した。しかし、現在のモデルは降水分布を適切にモデル化するために可能性に基づく損失関数に依存しており、サンプリング時に空間的に矛盾するプロジェクションが生じる。この研究は、生成モデルで使用される可能性に基づく強みと敵対的損失の強みを融合させることにより、新しいアプローチを探求する。その結果,両手法の利点を生かし,降水量削減のための可能性に基づく生成手法を提案する。

関連論文リスト

PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文参考訳（メタデータ） (2024-10-08T08:38:23Z)
Classifier Guidance Enhances Diffusion-based Adversarial Purification by Preserving Predictive Information [75.36597470578724]
敵の浄化は、敵の攻撃からニューラルネットワークを守るための有望なアプローチの1つである。分類器決定境界から遠ざかって, 清浄するgUided Purification (COUP)アルゴリズムを提案する。実験結果から, COUPは強力な攻撃法でより優れた対向的堅牢性が得られることが示された。
論文参考訳（メタデータ） (2024-08-12T02:48:00Z)
Self-Guided Generation of Minority Samples Using Diffusion Models [57.319845580050924]
データ多様体の低密度領域に居住する少数サンプルを生成するための新しい手法を提案する。我々のフレームワークは拡散モデルに基づいて構築されており、ガイドドサンプリングの原理を生かしている。実データセットのベンチマーク実験により、我々のアプローチは現実的な低自由度マイノリティインスタンスを作成する能力を大幅に改善できることが示された。
論文参考訳（メタデータ） (2024-07-16T10:03:29Z)
Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文参考訳（メタデータ） (2024-05-29T01:32:17Z)
GUIDE: Guidance-based Incremental Learning with Diffusion Models [3.046689922445082]
GUIDEは,拡散モデルからサンプルのリハーサルを誘導する,新しい連続学習手法である。実験の結果,GUIDEは破滅的忘れを著しく減らし,従来のランダムサンプリング手法より優れ,生成的再生を伴う継続的な学習における最近の最先端の手法を超越した。
論文参考訳（メタデータ） (2024-03-06T18:47:32Z)
Enhancing Score-Based Sampling Methods with Ensembles [0.0]
生成拡散モデルと以前に導入されたF"ollmer sampler"との関係を強調する。我々は,低次元から中次元のサンプリング問題を含む様々な例を通して,アンサンブル戦略の有効性を実証する。本研究は,勾配が不可能な状況において,複雑な確率分布をモデル化するためのアンサンブル戦略の可能性を明らかにするものである。
論文参考訳（メタデータ） (2024-01-31T01:51:29Z)
Mitigating Feature Gap for Adversarial Robustness by Feature Disentanglement [61.048842737581865]
逆方向の微調整法は, 逆方向の訓練方法で, 自然に事前訓練されたモデルを微調整することにより, 逆方向の強靭性を高めることを目的としている。特徴ギャップの原因となる潜伏する特徴を明示的にモデル化し,取り除く,アンタングルメントに基づくアプローチを提案する。 3つのベンチマークデータセットに対する実証的な評価は、我々のアプローチが既存の逆方向の微調整法や逆方向のトレーニングベースラインを超えていることを示している。
論文参考訳（メタデータ） (2024-01-26T08:38:57Z)
Likelihood-based Out-of-Distribution Detection with Denoising Diffusion Probabilistic Models [6.554019613111897]
拡散モデルに拡張できる可能性に基づくアウト・オブ・ディストリビューション検出法を示す。ディープデノイング拡散モデルを用いたアウト・オブ・ディストリビューション検出のための新しい可能性比を提案する。
論文参考訳（メタデータ） (2023-10-26T14:40:30Z)
Unsupervised Sampling Promoting for Stochastic Human Trajectory Prediction [10.717921532244613]
本稿では,ベイズ最適化を教師なしで適応的にマイニングするBOsamplerという手法を提案する。具体的には、軌道サンプリングをガウス過程としてモデル化し、潜在的なサンプリング値を測定するための獲得関数を構築する。この取得関数は、元の分布を予め適用し、長い尾領域の経路を探索することを奨励する。
論文参考訳（メタデータ） (2023-04-09T19:15:14Z)
A likelihood approach to nonparametric estimation of a singular distribution using deep generative models [4.329951775163721]
深部生成モデルを用いた特異分布の非パラメトリック推定の可能性について検討する。我々は、インスタンスノイズでデータを摂動することで、新しい効果的な解が存在することを証明した。また、より深い生成モデルにより効率的に推定できる分布のクラスを特徴付ける。
論文参考訳（メタデータ） (2021-05-09T23:13:58Z)
Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。