Fugu-MT 論文翻訳(概要): A competitive baseline for deep learning enhanced data assimilation using conditional Gaussian ensemble Kalman filtering

論文の概要: A competitive baseline for deep learning enhanced data assimilation using conditional Gaussian ensemble Kalman filtering

arxiv url: http://arxiv.org/abs/2409.14300v1
Date: Sun, 22 Sep 2024 02:54:33 GMT
ステータス: 処理完了
システム内更新日: 2024-11-06 23:15:03.805941
Title: A competitive baseline for deep learning enhanced data assimilation using conditional Gaussian ensemble Kalman filtering
Title（参考訳）: 条件付きガウスアンサンブルKalmanフィルタを用いたディープラーニング強化データ同化の競争ベースライン
Authors: Zachariah Malik, Romit Maulik,
Abstract要約: 条件付きガウスEnKF(CG-EnKF)と正常スコアEnKF(NS-EnKF)の2つの非線形拡張について検討した。我々はこれらのモデルを、スコアフィルタ(SF)と呼ばれる最先端のディープラーニングに基づく粒子フィルタと比較する。解析の結果,CG-EnKFとNS-EnKFは非ガウス的な雑音摂動を処理できることがわかった。
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: Ensemble Kalman Filtering (EnKF) is a popular technique for data assimilation, with far ranging applications. However, the vanilla EnKF framework is not well-defined when perturbations are nonlinear. We study two non-linear extensions of the vanilla EnKF - dubbed the conditional-Gaussian EnKF (CG-EnKF) and the normal score EnKF (NS-EnKF) - which sidestep assumptions of linearity by constructing the Kalman gain matrix with the `conditional Gaussian' update formula in place of the traditional one. We then compare these models against a state-of-the-art deep learning based particle filter called the score filter (SF). This model uses an expensive score diffusion model for estimating densities and also requires a strong assumption on the perturbation operator for validity. In our comparison, we find that CG-EnKF and NS-EnKF dramatically outperform SF for a canonical problem in high-dimensional multiscale data assimilation given by the Lorenz-96 system. Our analysis also demonstrates that the CG-EnKF and NS-EnKF can handle highly non-Gaussian additive noise perturbations, with the latter typically outperforming the former.
Abstract（参考訳）: Ensemble Kalman Filtering (EnKF) はデータ同化の一般的な手法であり、幅広い応用がある。しかし、摂動が非線形であるとき、バニラ EnKF フレームワークは十分に定義されていない。本研究では,条件付きガウス式 EnKF (CG-EnKF) と正規値 EnKF (NS-EnKF) と呼ばれるバニラ型 EnKF の非線形拡張について検討した。次に、これらのモデルを、スコアフィルタ(SF)と呼ばれる最先端のディープラーニングに基づく粒子フィルタと比較する。このモデルは、密度を推定するために高価なスコア拡散モデルを使用し、有効性のために摂動作用素に強い仮定を必要とする。比較の結果, CG-EnKF と NS-EnKF は, ローレンツ96 システムによって与えられる高次元多次元データ同化法において, SF を劇的に上回っていることがわかった。解析の結果,CG-EnKFとNS-EnKFは非ガウス的な雑音摂動を処理できることがわかった。

関連論文リスト

Rectified Diffusion Guidance for Conditional Generation [62.00207951161297]
CFGの背後にある理論を再検討し、組合せ係数の不適切な構成(すなわち、広く使われている和対1バージョン)が生成分布の期待シフトをもたらすことを厳密に確認する。本稿では,誘導係数を緩和したReCFGを提案する。このようにして、修正された係数は観測されたデータをトラバースすることで容易に事前計算でき、サンプリング速度はほとんど影響を受けない。
論文参考訳（メタデータ） (2024-10-24T13:41:32Z)
Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文参考訳（メタデータ） (2024-02-15T08:51:49Z)
Deep Kalman Filters Can Filter [9.131190818372474]
ディープカルマンフィルタ(ディープカルマンろく、英: Deep Kalman filters、DKF)は、シーケンシャルデータからガウス確率測度を生成するニューラルネットワークモデルである。 DKFはカルマンフィルタにインスパイアされるが、フィルター問題と具体的な理論的関係は欠如している。連続時間DKFは、非マルコフおよび条件付きガウス信号プロセスの幅広いクラスで条件法則を実装可能であることを示す。
論文参考訳（メタデータ） (2023-10-30T14:58:12Z)
Optimization or Architecture: How to Hack Kalman Filtering [52.640789351385266]
非線形フィルタリングでは、ニューラルネットワークのような非線形アーキテクチャと標準線形カルマンフィルタ(KF)を比較するのが伝統的である。どちらも同じように最適化されるべきであり、最終的には最適化KF(OKF)を提示する。
論文参考訳（メタデータ） (2023-10-01T14:00:18Z)
Inverse Cubature and Quadrature Kalman filters [16.975704972827305]
我々は、逆立方体KF(I-CKF)、逆立方体KF(I-QKF)、逆立方体KF(I-CQKF)を開発する。指数平均二乗有界感におけるフィルタの安定性条件を導出し,フィルタの整合性を証明する。
論文参考訳（メタデータ） (2023-03-18T03:48:39Z)
Outlier-Insensitive Kalman Filtering Using NUV Priors [24.413595920205907]
実際には、観測は外れ値によって破損し、カルマンフィルタ(KF)の性能を著しく損なう。本研究では、各電位外乱を未知の分散確率変数(NUV)としてモデル化し、外乱に敏感なKFを提案する。予測最大化(EM)と変動ロバスト性(AM)の両方を用いて、NUVs分散をオンラインで推定する。
論文参考訳（メタデータ） (2022-10-12T11:00:13Z)
Deep learning-enhanced ensemble-based data assimilation for high-dimensional nonlinear dynamical systems [0.0]
Ensemble Kalman filter (EnKF) は高次元非線形力学系を含むアプリケーションで広く使われているDAアルゴリズムである。本研究では,二層型擬似地栄養流システムに適用可能なハイブリッドアンサンブルカルマンフィルタ (H-EnKF) を提案する。
論文参考訳（メタデータ） (2022-06-09T23:34:49Z)
KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文参考訳（メタデータ） (2021-07-21T12:26:46Z)
Machine learning-based conditional mean filter: a generalization of the ensemble Kalman filter for nonlinear data assimilation [42.60602838972598]
スパース観測に基づく非線形ダイナミクスを持つ高次元非ガウス状態モデルを追跡する機械学習ベースのアンサンブル条件付き平均フィルタ(ML-EnCMF)を提案する。提案手法は条件付き期待値に基づいて開発され,機械学習(ML)技術とアンサンブル法を組み合わせて数値的に実装されている。
論文参考訳（メタデータ） (2021-06-15T06:40:32Z)
Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文参考訳（メタデータ） (2020-10-24T07:01:24Z)
Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial Attacks [86.88061841975482]
我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
論文参考訳（メタデータ） (2020-10-08T18:36:51Z)

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。