論文の概要: Ensemble Kalman filter in latent space using a variational autoencoder pair
- arxiv url: http://arxiv.org/abs/2502.12987v1
- Date: Tue, 18 Feb 2025 16:11:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:05:38.044853
- Title: Ensemble Kalman filter in latent space using a variational autoencoder pair
- Title（参考訳）: 変分オートエンコーダ対を用いた潜時空間におけるアンサンブルカルマンフィルタ
- Authors: Ivo Pasmans, Yumeng Chen, Tobias Sebastian Finn, Marc Bocquet, Alberto Carrassi,
- Abstract要約: 可変オートエンコーダ(VAE)は機械学習(ML)技術で、任意の分布を潜在空間へ/からマッピングすることができる。
本稿では,VAEをDA手順に組み込んだ新しいハイブリッドDA-ML手法を提案する。
- 参考スコア（独自算出の注目度）: 0.2383122657918106
- License:
- Abstract: Popular (ensemble) Kalman filter data assimilation (DA) approaches assume that the errors in both the a priori estimate of the state and those in the observations are Gaussian. For constrained variables, e.g. sea ice concentration or stress, such an assumption does not hold. The variational autoencoder (VAE) is a machine learning (ML) technique that allows to map an arbitrary distribution to/from a latent space in which the distribution is supposedly closer to a Gaussian. We propose a novel hybrid DA-ML approach in which VAEs are incorporated in the DA procedure. Specifically, we introduce a variant of the popular ensemble transform Kalman filter (ETKF) in which the analysis is applied in the latent space of a single VAE or a pair of VAEs. In twin experiments with a simple circular model, whereby the circle represents an underlying submanifold to be respected, we find that the use of a VAE ensures that a posteri ensemble members lie close to the manifold containing the truth. Furthermore, online updating of the VAE is necessary and achievable when this manifold varies in time, i.e. when it is non-stationary. We demonstrate that introducing an additional second latent space for the observational innovations improves robustness against detrimental effects of non-Gaussianity and bias in the observational errors but it slightly lessens the performance if observational errors are strictly Gaussian.
- Abstract（参考訳）: 一般的な(アンサンブル)カルマンフィルタデータ同化(DA)アプローチは、状態の事前推定と観測における誤差の両方がガウス的であると仮定する。
制約変数の場合、例えば海氷の濃度や応力については、そのような仮定は成立しない。
変分オートエンコーダ(VAE)は機械学習(ML)技術で、任意の分布をガウスに近いと思われる潜在空間へ/からマッピングすることができる。
本稿では,VAEをDA手順に組み込んだ新しいハイブリッドDA-ML手法を提案する。
具体的には、一般的なアンサンブル変換カルマンフィルタ(ETKF)の変種を導入し、その解析を単一のVAEまたは一対のVAEの潜在空間に適用する。
単純な円模型による双対の実験において、円は下層の部分多様体を尊重し、VAEの使用により、後続のアンサンブルのメンバーが真相を含む多様体に近くにあることが確かめられる。
さらに、VAEのオンライン更新は、この多様体が時間、すなわち非定常であるときに必要であり、達成可能である。
本研究は、観測革新のための第二潜伏空間を導入することにより、観測誤差における非ガウス性やバイアスによる有害な影響に対する堅牢性を向上するが、観測誤差が厳密にガウス的であれば、性能をわずかに低下させることを示した。
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) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - Theoretical Guarantees for Variational Inference with Fixed-Variance Mixture of Gaussians [27.20127082606962]
変分推論(VI)はベイズ推定において一般的なアプローチである。
この研究は、非ガウスの場合のVIの理論研究に寄与することを目的としている。
論文 参考訳（メタデータ） (2024-06-06T12:38:59Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - An adaptive ensemble filter for heavy-tailed distributions: tuning-free
inflation and localization [0.3749861135832072]
重尾は、非線形力学および観察過程から生じる分布をフィルタリングする一般的な特徴である。
本研究では,各状態と観測値の同時予測分布のサンプルから,前から後への更新を推定するアルゴリズムを提案する。
本稿では,新しいアンサンブルフィルタの利点について述べる。
論文 参考訳（メタデータ） (2023-10-12T21:56:14Z) - Hyperbolic VAE via Latent Gaussian Distributions [7.258394470200572]
本稿ではガウス多様体の変分オートエンコーダ(GM-VAE)を提案する。
実験では、画像データセットの密度推定とモデルベース強化学習における環境モデリングの2つのタスクにおけるGM-VAEの有効性を実証した。
論文 参考訳（メタデータ） (2022-09-30T04:09:06Z) - Variational Kalman Filtering with Hinf-Based Correction for Robust
Bayesian Learning in High Dimensions [2.294014185517203]
本稿では,頑健な変動目標とHinf-normに基づく補正を適用し,逐次変動推定フィルタ(VIF)の収束問題に対処する。
連続的な変分推論とHinfに基づく最適化ステップを利用する新しいVIF-Hinf再帰法を提案する。
論文 参考訳（メタデータ） (2022-04-27T17:38:13Z) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳（メタデータ） (2022-04-07T17:59:19Z) - Orthogonal Jacobian Regularization for Unsupervised Disentanglement in
Image Generation [64.92152574895111]
直交ジャコビアン正規化法(OroJaR)を提案する。
提案手法は, 絡み合った, 制御可能な画像生成に有効であり, 最先端の手法に対して好適に機能する。
論文 参考訳（メタデータ） (2021-08-17T15:01:46Z) - Sparse Gaussian Processes with Spherical Harmonic Features [14.72311048788194]
領域間変分ガウス過程(GP)の新たなクラスを導入する。
我々の推論スキームは変分フーリエの特徴に匹敵するが、次元の呪いに苦しむことはない。
実験の結果,本モデルでは,600万項目のデータセットに対して,2桁の精度で回帰モデルを適合させることができることがわかった。
論文 参考訳（メタデータ） (2020-06-30T10:19:32Z)
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。