論文の概要: Learning low-dimensional representations of ensemble forecast fields using autoencoder-based methods

• arxiv url: http://arxiv.org/abs/2502.04409v1
• Date: Thu, 06 Feb 2025 10:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:55:33.696391
• Title: Learning low-dimensional representations of ensemble forecast fields using autoencoder-based methods
• Title（参考訳）: オートエンコーダを用いたアンサンブル予測場の低次元表現学習
• Authors: Jieyu Chen, Kevin Höhlein, Sebastian Lerch,
• Abstract要約: 大規模な数値シミュレーションでは、下流のアプリケーションでは処理が難しい高次元のグリッドデータを生成することが多い。 本稿では,その確率的特性を尊重しつつ,アンサンブル予測の低次元表現を生成する2つのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.08192907805418585
• License:
• Abstract: Large-scale numerical simulations often produce high-dimensional gridded data that is challenging to process for downstream applications. A prime example is numerical weather prediction, where atmospheric processes are modeled using discrete gridded representations of the physical variables and dynamics. Uncertainties are assessed by running the simulations multiple times, yielding ensembles of simulated fields as a high-dimensional stochastic representation of the forecast distribution. The high-dimensionality and large volume of ensemble datasets poses major computing challenges for subsequent forecasting stages. Data-driven dimensionality reduction techniques could help to reduce the data volume before further processing by learning meaningful and compact representations. However, existing dimensionality reduction methods are typically designed for deterministic and single-valued inputs, and thus cannot handle ensemble data from multiple randomized simulations. In this study, we propose novel dimensionality reduction approaches specifically tailored to the format of ensemble forecast fields. We present two alternative frameworks, which yield low-dimensional representations of ensemble forecasts while respecting their probabilistic character. The first approach derives a distribution-based representation of an input ensemble by applying standard dimensionality reduction techniques in a member-by-member fashion and merging the member representations into a joint parametric distribution model. The second approach achieves a similar representation by encoding all members jointly using a tailored variational autoencoder. We evaluate and compare both approaches in a case study using 10 years of temperature and wind speed forecasts over Europe. The approaches preserve key spatial and statistical characteristics of the ensemble and enable probabilistic reconstructions of the forecast fields.
• Abstract（参考訳）: 大規模な数値シミュレーションでは、下流のアプリケーションでは処理が難しい高次元のグリッドデータを生成することが多い。 主な例として、物理変数と力学の離散格子表現を用いて大気過程をモデル化する数値気象予測がある。 シミュレーションを複数回実行し、予測分布の高次元確率的表現としてシミュレーションフィールドのアンサンブルを生成することにより不確実性を評価する。 高次元性と大量のアンサンブルデータセットは、その後の予測段階において大きなコンピューティング上の課題を提起する。 データ駆動型次元減少技術は、意味のあるコンパクトな表現を学習することによって、さらに処理する前にデータ量を減らすのに役立つ。 しかし、既存の次元減少法は一般に決定論的かつ単一値の入力のために設計されており、複数のランダム化シミュレーションのアンサンブルデータを扱うことはできない。 本研究では,アンサンブル予測場の形式に特化して,新たな次元削減手法を提案する。 本稿では,その確率的特性を尊重しつつ,アンサンブル予測の低次元表現を生成する2つのフレームワークを提案する。 第1のアプローチは、メンバごとの標準的な次元削減技術を適用し、メンバー表現を共同パラメトリック分布モデルにマージすることで、入力アンサンブルの分布に基づく表現を導出する。 第2のアプローチは、全てのメンバを調整された変分オートエンコーダを使って共同で符号化することで、同様の表現を実現する。 ヨーロッパにおける10年間の気温および風速予測を用いたケーススタディにおいて,両手法を評価・比較した。 この手法はアンサンブルの重要な空間的・統計的特性を保ち、予測場の確率的再構成を可能にする。

関連論文リスト

• Principal component analysis balancing prediction and approximation accuracy for spatial data [2.4849437811455797]
  我々は、下流モデルにおける元のデータに対する近似の近接性と低次元スコアの有用性を定式化する。 最適トレードオフを実現するフレキシブル次元削減アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-03T04:24:48Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Fast Estimation of Bayesian State Space Models Using Amortized Simulation-Based Inference [0.0]
  本稿では,ベイズ状態空間モデルの隠れ状態を推定するための高速アルゴリズムを提案する。 事前トレーニングの後、データセットの後方分布を見つけるには、100分の1秒から10分の1秒かかる。
  論文  参考訳（メタデータ） (2022-10-13T16:37:05Z)
• Consensual Aggregation on Random Projected High-dimensional Features for Regression [0.0]
  本稿では,ランダムに投影された回帰予測の高次元的特徴に対するカーネルベースの合意アグリゲーションについて検討する。 集約方式は, 非常に大きく, 高い相関性を持つ特徴に対して, その性能を保っていることを数値的に説明する。 提案手法の効率性は,様々な種類の合成データセットと実データセットで評価されたいくつかの実験を通して説明される。
  論文  参考訳（メタデータ） (2022-04-06T06:35:47Z)
• Manifold learning-based polynomial chaos expansions for high-dimensional surrogate models [0.0]
  システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。 提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
  論文  参考訳（メタデータ） (2021-07-21T00:24:15Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Hierarchical regularization networks for sparsification based learning on noisy datasets [0.0]
  階層は、連続的により微細なスケールで特定される近似空間から従う。 各スケールでのモデル一般化を促進するため,複数次元にわたる新規な射影型ペナルティ演算子も導入する。 その結果、合成データセットと実データセットの両方において、データ削減およびモデリング戦略としてのアプローチの性能が示された。
  論文  参考訳（メタデータ） (2020-06-09T18:32:24Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。