論文の概要: Generating Unseen Nonlinear Evolution in Sea Surface Temperature Using a Deep Learning-Based Latent Space Data Assimilation Framework

• arxiv url: http://arxiv.org/abs/2412.13477v1
• Date: Wed, 18 Dec 2024 03:41:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:49:39.594919
• Title: Generating Unseen Nonlinear Evolution in Sea Surface Temperature Using a Deep Learning-Based Latent Space Data Assimilation Framework
• Title（参考訳）: 深層学習に基づく潜時空間データ同化フレームワークを用いた海面温度の未知の非線形進化の生成
• Authors: Qingyu Zheng, Guijun Han, Wei Li, Lige Cao, Gongfu Zhou, Haowen Wu, Qi Shao, Ru Wang, Xiaobo Wu, Xudong Cui, Hong Li, Xuan Wang,
• Abstract要約: 本稿では、生成人工知能モデルを用いて、海面温度の非線形進化を捉える純粋にデータ駆動型潜水空間DAフレームワーク(DeepDA)を提案する。 その結果,大量の観測情報が欠落している場合でも,DeepDAは非線形進化を捕捉・生成するのに非常に安定であることがわかった。
• 参考スコア（独自算出の注目度）: 9.318274208381851
• License:
• Abstract: Advances in data assimilation (DA) methods have greatly improved the accuracy of Earth system predictions. To fuse multi-source data and reconstruct the nonlinear evolution missing from observations, geoscientists are developing future-oriented DA methods. In this paper, we redesign a purely data-driven latent space DA framework (DeepDA) that employs a generative artificial intelligence model to capture the nonlinear evolution in sea surface temperature. Under variational constraints, DeepDA embedded with nonlinear features can effectively fuse heterogeneous data. The results show that DeepDA remains highly stable in capturing and generating nonlinear evolutions even when a large amount of observational information is missing. It can be found that when only 10% of the observation information is available, the error increase of DeepDA does not exceed 40%. Furthermore, DeepDA has been shown to be robust in the fusion of real observations and ensemble simulations. In particular, this paper provides a mechanism analysis of the nonlinear evolution generated by DeepDA from the perspective of physical patterns, which reveals the inherent explainability of our DL model in capturing multi-scale ocean signals.
• Abstract（参考訳）: データ同化法(DA法)の進歩により、地球系の予測精度が大幅に向上した。 マルチソースデータを融合し、観測から欠落する非線形進化を再構築するために、地質学者は将来指向DA法を開発している。 本稿では,データ駆動型遅延空間DAフレームワーク(DeepDA)を再設計し,生成人工知能モデルを用いて海面温度の非線形進化を捉える。 変動制約の下では、非線形特徴に埋め込まれたDeepDAは、不均一データを効果的に融合することができる。 その結果,大量の観測情報が欠落している場合でも,DeepDAは非線形進化を捕捉・生成するのに非常に安定であることがわかった。 観測情報の10%しか入手できない場合、DeepDAの誤差の増加は40%を超えない。 さらに、DeepDAは実際の観測とアンサンブルシミュレーションの融合において堅牢であることが示されている。 本稿では,物理パターンの観点からDeepDAが生み出す非線形進化のメカニズム解析を行い,マルチスケール海洋信号の取得におけるDLモデルの本質的説明可能性を明らかにする。

関連論文リスト

• Neural Network Prediction of Strong Lensing Systems with Domain Adaptation and Uncertainty Quantification [44.99833362998488]
  MVE(Mean-variance Estimator)は、ニューラルネットワークの予測からアレタリック(データ)の不確実性を得るための一般的なアプローチである。 本研究では、強いレンズデータに対する非教師なし領域適応(UDA)と組み合わせて、MVEの有効性を初めて研究する。 MVE に UDA を追加すると,UDA なしで MVE モデルより約 2 倍精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-10-23T19:56:57Z)
• Domain-Adaptive Neural Posterior Estimation for Strong Gravitational Lens Analysis [41.94295877935867]
  非教師なし領域適応(UDA)と併用した神経後部推定(NPE)の有効性について検討した。 UDAとNPEを組み合わせることで,推定精度が1～2桁向上することがわかった。 この組み合わせによって、NPEモデルの実際の観測データへの将来的な応用が期待できる。
  論文  参考訳（メタデータ） (2024-10-21T14:12:39Z)
• Importance-Aware Adaptive Dataset Distillation [53.79746115426363]
  ディープラーニングモデルの開発は、大規模データセットの可用性によって実現されている。 データセットの蒸留は、大きな元のデータセットから必須情報を保持するコンパクトなデータセットを合成することを目的としている。 本稿では, 蒸留性能を向上する重要適応型データセット蒸留(IADD)法を提案する。
  論文  参考訳（メタデータ） (2024-01-29T03:29:39Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Efficient deep data assimilation with sparse observations and time-varying sensors [17.249916158780884]
  VariatIonal Data Assimilation(VIVID)のためのVoronoi-tessellation逆演算子 VariatIonal Data Assimilation(VIVID)のための新しい変分DAスキームであるVoronoi-tessellation Inverse operatorを導入する。 VIVIDはスパース、非構造化、時間変化センサーデータを扱うのに適している。
  論文  参考訳（メタデータ） (2023-10-24T21:13:59Z)
• Learning in latent spaces improves the predictive accuracy of deep neural operators [0.0]
  L-DeepONetは標準のDeepONetの拡張であり、高次元PDE入力の潜在表現と適切なオートエンコーダで識別される出力関数を利用する。 L-DeepONetは時間依存PDEの精度と計算効率の両面で標準手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-15T17:13:09Z)
• Non-linear manifold ROM with Convolutional Autoencoders and Reduced Over-Collocation method [0.0]
  非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。 我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。 本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
  論文  参考訳（メタデータ） (2022-03-01T11:16:50Z)
• Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental Systems with Applications to Epidemiological and Additive Manufacturing Problems [58.720142291102135]
  非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。 特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
  論文  参考訳（メタデータ） (2021-10-12T21:42:14Z)
• HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks [51.143054943431665]
  本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。 HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。 さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
  論文  参考訳（メタデータ） (2021-02-04T10:00:13Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)

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。