論文の概要: Statistical Downscaling via High-Dimensional Distribution Matching with Generative Models

• arxiv url: http://arxiv.org/abs/2412.08079v1
• Date: Wed, 11 Dec 2024 03:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:00:44.945727
• Title: Statistical Downscaling via High-Dimensional Distribution Matching with Generative Models
• Title（参考訳）: 生成モデルと高次元分布マッチングによる統計的ダウンスケーリング
• Authors: Zhong Yi Wan, Ignacio Lopez-Gomez, Robert Carver, Tapio Schneider, John Anderson, Fei Sha, Leonardo Zepeda-Núñez,
• Abstract要約: 統計的ダウンスケーリングのための2段階確率的フレームワークであるGenerative Bias Correction and Super-Resolution(GenBCSR)を紹介する。 分散マッチングとしてダウンスケーリング問題をフレーミングすることにより、GenBCSRは教師付き学習の制約を緩和する。 我々は,GenBCSRが臨界影響変数の予測精度において,標準的なアプローチを超越していることを示す。
• 参考スコア（独自算出の注目度）: 12.737495484442443
• License:
• Abstract: Statistical downscaling is a technique used in climate modeling to increase the resolution of climate simulations. High-resolution climate information is essential for various high-impact applications, including natural hazard risk assessment. However, simulating climate at high resolution is intractable. Thus, climate simulations are often conducted at a coarse scale and then downscaled to the desired resolution. Existing downscaling techniques are either simulation-based methods with high computational costs, or statistical approaches with limitations in accuracy or application specificity. We introduce Generative Bias Correction and Super-Resolution (GenBCSR), a two-stage probabilistic framework for statistical downscaling that overcomes the limitations of previous methods. GenBCSR employs two transformations to match high-dimensional distributions at different resolutions: (i) the first stage, bias correction, aligns the distributions at coarse scale, (ii) the second stage, statistical super-resolution, lifts the corrected coarse distribution by introducing fine-grained details. Each stage is instantiated by a state-of-the-art generative model, resulting in an efficient and effective computational pipeline for the well-studied distribution matching problem. By framing the downscaling problem as distribution matching, GenBCSR relaxes the constraints of supervised learning, which requires samples to be aligned. Despite not requiring such correspondence, we show that GenBCSR surpasses standard approaches in predictive accuracy of critical impact variables, particularly in predicting the tails (99% percentile) of composite indexes composed of interacting variables, achieving up to 4-5 folds of error reduction.
• Abstract（参考訳）: 統計的ダウンスケーリング(英: statistics downscaling)は、気候シミュレーションの解像度を高めるために気候モデリングで用いられる技法である。 高解像度の気候情報は、自然リスク評価を含む様々な高影響の応用に不可欠である。 しかし、高解像度で気候をシミュレートすることは困難である。 したがって、気候シミュレーションはしばしば粗いスケールで行われ、その後、望ましい解像度までダウンスケールされる。 既存のダウンスケーリング手法は、計算コストの高いシミュレーションベースの手法か、正確性やアプリケーション特異性に制限のある統計手法である。 本稿では,従来の手法の限界を克服した統計的ダウンスケーリングのための2段階確率的フレームワークであるGenerative Bias Correction and Super-Resolution(GenBCSR)を紹介する。 GenBCSRは2つの変換を用いて高次元分布を異なる解像度で一致させる。 (i) 偏差補正の第1段階は、粗いスケールで分布を整列する。 (II)第2段階の統計超解像は、きめ細かな詳細を導入することにより補正された粗さ分布を引き上げる。 それぞれのステージは最先端の生成モデルによってインスタンス化され、よく研究された分布マッチング問題に対して効率的かつ効率的な計算パイプラインが得られる。 ダウンスケーリング問題を分散マッチングとしてフレーミングすることにより、GenBCSRは教師付き学習の制約を緩和し、サンプルの整列を必要とする。 このような対応を必要としないにもかかわらず、GenBCSRは臨界影響変数の予測精度において、特に相互作用変数からなる複合指標のテール(99%)を予測し、最大4～5倍の誤差低減を実現していることを示す。

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)
• Capturing Climatic Variability: Using Deep Learning for Stochastic Downscaling [0.0]
  気候変動に適応するには、正確な局地的な気候情報が必要である。 ダウンスケーリング中の変動のキャプチャは、不確実性を推定し、極端な事象を特徴づけるのに不可欠である。 本稿では,GANのキャリブレーションを3つの方法で改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-31T03:04:10Z)
• Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
  本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。 この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-21T18:25:04Z)
• Debias Coarsely, Sample Conditionally: Statistical Downscaling through Optimal Transport and Probabilistic Diffusion Models [15.623456909553786]
  非ペアデータを用いた統計的ダウンスケーリングのための2段階確率的フレームワークを提案する。 本研究では, 1次元および2次元流体問題に対する提案手法の有用性を実証する。
  論文  参考訳（メタデータ） (2023-05-24T23:40:23Z)
• Two-Stage Robust and Sparse Distributed Statistical Inference for Large-Scale Data [18.34490939288318]
  本稿では,高次元データやオフレーヤによって汚染される可能性のある大規模データを含む設定において,統計的推論を行うという課題に対処する。 空間性を促進することによって高次元モデルに対処する2段階の分散および頑健な統計的推論手法を提案する。
  論文  参考訳（メタデータ） (2022-08-17T11:17:47Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• 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)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)
• Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
  我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。 本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
  論文  参考訳（メタデータ） (2020-05-22T22:30:52Z)

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。