論文の概要: Using Generative Models to Produce Realistic Populations of the United Kingdom Windstorms

• arxiv url: http://arxiv.org/abs/2409.10696v1
• Date: Mon, 16 Sep 2024 19:53:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 18:50:48.009347
• Title: Using Generative Models to Produce Realistic Populations of the United Kingdom Windstorms
• Title（参考訳）: 生産モデルによるイギリス風雨の実人口生成
• Authors: Etron Yee Chun Tsoi,
• Abstract要約: 論文は、現実的な合成風速データを生成するための生成モデルの適用を探求する。 標準的なGAN、WGAN-GP、U-net拡散モデルを含む3つのモデルを使用して、イギリスの風図を作成した。 その結果、全てのモデルが一般的な空間特性を捉えるのに有効であるが、それぞれのモデルは異なる強みと弱みを示すことが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Windstorms significantly impact the UK, causing extensive damage to property, disrupting society, and potentially resulting in loss of life. Accurate modelling and understanding of such events are essential for effective risk assessment and mitigation. However, the rarity of extreme windstorms results in limited observational data, which poses significant challenges for comprehensive analysis and insurance modelling. This dissertation explores the application of generative models to produce realistic synthetic wind field data, aiming to enhance the robustness of current CAT models used in the insurance industry. The study utilises hourly reanalysis data from the ERA5 dataset, which covers the period from 1940 to 2022. Three models, including standard GANs, WGAN-GP, and U-net diffusion models, were employed to generate high-quality wind maps of the UK. These models are then evaluated using multiple metrics, including SSIM, KL divergence, and EMD, with some assessments performed in a reduced dimensionality space using PCA. The results reveal that while all models are effective in capturing the general spatial characteristics, each model exhibits distinct strengths and weaknesses. The standard GAN introduced more noise compared to the other models. The WGAN-GP model demonstrated superior performance, particularly in replicating statistical distributions. The U-net diffusion model produced the most visually coherent outputs but struggled slightly in replicating peak intensities and their statistical variability. This research underscores the potential of generative models in supplementing limited reanalysis datasets with synthetic data, providing valuable tools for risk assessment and catastrophe modelling. However, it is important to select appropriate evaluation metrics that assess different aspects of the generated outputs. Future work could refine these models and incorporate more ...
• Abstract（参考訳）: 暴風はイギリスに大きな影響を及ぼし、資産に大きな損害を与え、社会を混乱させ、潜在的に生命の喪失をもたらした。 このような事象の正確なモデリングと理解は、効果的なリスク評価と緩和に不可欠である。 しかし、極端な吹雪の希少さは観測データに限界をもたらし、包括的な分析と保険モデリングに重大な課題をもたらす。 この論文は、保険業界で使用されている現行のCATモデルの堅牢性を高めることを目的とした、現実的な合成風場データ作成のための生成モデルの適用を探求するものである。 この研究は、1940年から2022年までの期間をカバーするERA5データセットから、時間毎の分析データを活用する。 標準的なGAN、WGAN-GP、U-net拡散モデルを含む3つのモデルを使用して、イギリスの高品質な風図を作成した。 これらのモデルは、SSIM、KL発散、EMDを含む複数のメトリクスを用いて評価され、PCAを用いて次元空間を縮小する。 その結果、全てのモデルが一般的な空間特性を捉えるのに有効であるが、それぞれのモデルは異なる強みと弱みを示すことが明らかとなった。 標準のGANは、他のモデルよりも多くのノイズを導入した。 WGAN-GPモデルは、特に統計分布の複製において優れた性能を示した。 U-net拡散モデルは最も視覚的にコヒーレントな出力を生み出したが、ピーク強度と統計的変動の再現に少し苦労した。 この研究は、限られた再分析データセットを合成データで補完する生成モデルの可能性を強調し、リスクアセスメントやカタストロフィ・モデリングに有用なツールを提供する。 しかし、生成した出力の異なる側面を評価するための適切な評価指標を選択することが重要である。 今後の研究はこれらのモデルを洗練し、さらに組み込むかもしれない。

関連論文リスト

• Comparing Fairness of Generative Mobility Models [3.699135947901772]
  本研究は、生成モビリティモデルの公平性を検証し、地理的領域にわたるモデルパフォーマンスにおいて、しばしば見落とされがちなエクイティの次元に対処する。 クラウドフローデータに基づいて構築された予測モデルは、都市構造や移動パターンを理解するのに有効である。 生成したトレースの有効性と公平性を測定することによって、公正性を評価するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-11-07T06:01:12Z)
• Fuxi-DA: A Generalized Deep Learning Data Assimilation Framework for Assimilating Satellite Observations [15.934673617658609]
  ディープラーニングモデルは、世界中のトップNWPモデルのマッチング、さらには予測精度を超越する可能性を示している。 本研究は、衛星観測を同化するための一般化されたDLベースのDAフレームワークであるFuxiDAを紹介する。 Fengyun-4Bに搭載されたAdvanced Geosynchronous Radiation Imager(AGRI)のデータを同調することにより、FuXi-DAは解析誤差を一貫して軽減し、予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-12T15:02:14Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Scaling Laws Do Not Scale [54.72120385955072]
  最近の研究によると、データセットのサイズが大きくなると、そのデータセットでトレーニングされたモデルのパフォーマンスが向上する。 このスケーリング法則の関係は、モデルのアウトプットの質を異なる集団がどのように認識するかと一致しないパフォーマンスを測定するために使われる指標に依存する、と我々は主張する。 異なるコミュニティは、互いに緊張関係にある価値を持ち、モデル評価に使用されるメトリクスについて、困難で、潜在的に不可能な選択をもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-07-05T15:32:21Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
  機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。 本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。 本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
  論文  参考訳（メタデータ） (2023-01-31T16:12:26Z)
• A prediction and behavioural analysis of machine learning methods for modelling travel mode choice [0.26249027950824505]
  我々は、モデル選択に影響を及ぼす可能性のある重要な要因の観点から、複数のモデリング問題に対して異なるモデリングアプローチを体系的に比較する。 その結果,非凝集性予測性能が最も高いモデルでは,行動指標やアグリゲーションモードのシェアが低下することが示唆された。 MNLモデルは様々な状況において堅牢に機能するが、ML手法はWillingness to Payのような行動指標の推定を改善することができる。
  論文  参考訳（メタデータ） (2023-01-11T11:10:32Z)
• CausalAgents: A Robustness Benchmark for Motion Forecasting using Causal Relationships [8.679073301435265]
  既存のデータに摂動を適用することにより、モデルロバスト性の評価と改善のための新しいベンチマークを構築する。 我々はこれらのラベルを使用して、現場から非因果的エージェントを削除することでデータを摂動する。 非因果摂動下では, minADE の相対的な変化は, 原型と比較して25$-$38%である。
  論文  参考訳（メタデータ） (2022-07-07T21:28:23Z)
• CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of Adversarial Robustness of Vision Models [61.68061613161187]
  本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。 このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。 本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
  論文  参考訳（メタデータ） (2022-06-09T09:17:38Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。