論文の概要: Deep learning joint extremes of metocean variables using the SPAR model

• arxiv url: http://arxiv.org/abs/2412.15808v1
• Date: Fri, 20 Dec 2024 11:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:21:17.510175
• Title: Deep learning joint extremes of metocean variables using the SPAR model
• Title（参考訳）: SPARモデルを用いたメトカン変数の深層学習継手極
• Authors: Ed Mackay, Callum Murphy-Barltrop, Jordan Richards, Philip Jonathan,
• Abstract要約: 本稿では,メトカン変数の多変量結合極値推定のための新しいディープラーニングフレームワークを提案する。 5つのメトカン変数のケーススタディを用いて, この手法を高次元に適用する方法を示す。 データ駆動型アプローチは、表現可能な依存構造において、非常に柔軟性を提供します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents a novel deep learning framework for estimating multivariate joint extremes of metocean variables, based on the Semi-Parametric Angular-Radial (SPAR) model. When considered in polar coordinates, the problem of modelling multivariate extremes is transformed to one of modelling an angular density, and the tail of a univariate radial variable conditioned on angle. In the SPAR approach, the tail of the radial variable is modelled using a generalised Pareto (GP) distribution, providing a natural extension of univariate extreme value theory to the multivariate setting. In this work, we show how the method can be applied in higher dimensions, using a case study for five metocean variables: wind speed, wind direction, wave height, wave period and wave direction. The angular variable is modelled empirically, while the parameters of the GP model are approximated using fully-connected deep neural networks. Our data-driven approach provides great flexibility in the dependence structures that can be represented, together with computationally efficient routines for training the model. Furthermore, the application of the method requires fewer assumptions about the underlying distribution(s) compared to existing approaches, and an asymptotically justified means for extrapolating outside the range of observations. Using various diagnostic plots, we show that the fitted models provide a good description of the joint extremes of the metocean variables considered.
• Abstract（参考訳）: 本稿では,セミパラメトリックAngular-Radial(SPAR)モデルに基づく,メトカン変数の多変量結合極値推定のための新しいディープラーニングフレームワークを提案する。 極座標で考えると、多変量極度をモデル化する問題は、角密度をモデル化する問題と、角度で条件付けられた単変量半径変数のテールに変換される。 SPARアプローチでは、ラジアル変数の尾は一般化されたパレート(GP)分布を用いてモデル化され、多変量集合への単変量極値理論の自然な拡張を与える。 本研究では,風速,風向,波高,波動周期,波動方向の5変数に対するケーススタディを用いて,この手法を高次元に適用する方法を示す。 角変数は経験的にモデル化され、GPモデルのパラメータは、完全に接続されたディープニューラルネットワークを用いて近似される。 データ駆動型アプローチは、モデルをトレーニングするための計算効率の良いルーチンとともに、表現可能な依存構造において、大きな柔軟性を提供します。 さらに、本手法の適用には、既存の手法と比較して基礎となる分布に関する仮定を少なくし、漸近的に正当化された方法で観測範囲外の外挿を行う必要がある。 各種の診断プロットを用いて, 適合したモデルが, 考慮されたメトカン変数の結合極性について, 良好な記述を提供することを示した。

関連論文リスト

• Deep Learning of Multivariate Extremes via a Geometric Representation [0.0]
  本研究では, スケールした試料雲の極限形状から極端依存特性を推定する幾何学的極端の研究を行う。 本稿では,幾何学的極端フレームワークの実装を支援するための新しい理論結果を提案する。 本稿では,ディープラーニングニューラルネットワークを用いた制限セットのモデル化について紹介する。
  論文  参考訳（メタデータ） (2024-06-28T14:05:47Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• 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)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Bayesian multiscale deep generative model for the solution of high-dimensional inverse problems [0.0]
  深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。 この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
  論文  参考訳（メタデータ） (2021-02-04T11:47:21Z)
• Uncertainty Quantification of Darcy Flow through Porous Media using Deep Gaussian Process [0.0]
  また、モデル出力の次元性を低減するためにも用いられる。 ディープGPは、複数の、無限に広い隠蔽層を持つGPの多層階層的な一般化である。
  論文  参考訳（メタデータ） (2020-11-03T11:57:38Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Variational Filtering with Copula Models for SLAM [5.242618356321224]
  より広い分布のクラスと同時局所化とマッピング(SLAM)を同時に行うことができるかを示す。 分布モデルとコプラを逐次モンテカルロ推定器に統合し、勾配に基づく最適化によって未知のモデルパラメータがいかに学習できるかを示す。
  論文  参考訳（メタデータ） (2020-08-02T15:38:23Z)

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。