論文の概要: State-observation augmented diffusion model for nonlinear assimilation with unknown dynamics
- arxiv url: http://arxiv.org/abs/2407.21314v2
- Date: Fri, 07 Feb 2025 14:14:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:54:31.677081
- Title: State-observation augmented diffusion model for nonlinear assimilation with unknown dynamics
- Title（参考訳）: 未知のダイナミクスを持つ非線形同化に対する状態観測拡張拡散モデル
- Authors: Zhuoyuan Li, Bin Dong, Pingwen Zhang,
- Abstract要約: データ駆動同化のための新しい生成モデルであるState-Observation Augmented Diffusion(SOAD)モデルを提案する。
実験の結果、SOADは既存のデータ駆動方式と比較してパフォーマンスが向上する可能性が示唆されている。
- 参考スコア（独自算出の注目度）: 6.682908186025083
- License:
- Abstract: Data assimilation has become a key technique for combining physical models with observational data to estimate state variables. However, classical assimilation algorithms often struggle with the high nonlinearity present in both physical and observational models. To address this challenge, a novel generative model, termed the State-Observation Augmented Diffusion (SOAD) model is proposed for data-driven assimilation. The marginal posterior associated with SOAD has been derived and then proved to match the true posterior distribution under mild assumptions, suggesting its theoretical advantages over previous score-based approaches. Experimental results also indicate that SOAD may offer improved performance compared to existing data-driven methods.
- Abstract（参考訳）: データ同化は物理モデルと観測データを組み合わせて状態変数を推定する重要な手法となっている。
しかし、古典的な同化アルゴリズムは、物理モデルと観測モデルの両方に存在する高い非線形性に苦しむことが多い。
この課題に対処するために、データ駆動同化のために、状態観測拡張拡散モデル(State-Observation Augmented Diffusion, SOAD)と呼ばれる新しい生成モデルが提案されている。
SOADと関連する限界後部分布は導出され、その後、軽微な仮定の下で真の後部分布と一致することが証明され、従来のスコアベースのアプローチよりも理論的に有利であることが示唆された。
実験の結果、SOADは既存のデータ駆動方式と比較してパフォーマンスが向上する可能性が示唆されている。
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) - Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。
我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
論文 参考訳（メタデータ） (2024-05-31T16:18:46Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Exact nonlinear state estimation [0.0]
地質学におけるデータ同化法の大部分はガウスの仮定に基づいている。
非パラメトリックな粒子ベースDAアルゴリズムは精度が優れているが、高次元モデルへの応用は依然として運用上の課題となっている。
本稿では,DA手法の既存のギャップを埋めようとする新しい非線形推定理論を紹介する。
論文 参考訳（メタデータ） (2023-10-17T03:44:29Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Low-rank statistical finite elements for scalable model-data synthesis [0.8602553195689513]
statFEMは、支配方程式に強制を埋め込むことによって、事前モデルの誤特定を認める。
この方法は、観測されたデータ生成過程を最小限の情報損失で再構築する。
本稿では、下層の密度共分散行列の低ランク近似を埋め込むことで、このハードルを克服する。
論文 参考訳（メタデータ） (2021-09-10T09:51:43Z)
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。