論文の概要: LatticeVision: Image to Image Networks for Modeling Non-Stationary Spatial Data

• arxiv url: http://arxiv.org/abs/2505.09803v1
• Date: Wed, 14 May 2025 20:59:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.107485
• Title: LatticeVision: Image to Image Networks for Modeling Non-Stationary Spatial Data
• Title（参考訳）: LatticeVision:非定常空間データモデリングのための画像ネットワーク
• Authors: Antony Sikorski, Michael Ivanitskiy, Nathan Lenssen, Douglas Nychka, Daniel McKenzie,
• Abstract要約: 多くの科学的、工業的応用において、空間的に分散した量(「フィールド」)の少数の例を与えられるが、さらに多くのものを取得したい。 SARパラメータは通常のグリッド上に配置できるため、入力(空間場)と出力(モデルパラメータ)の両方を画像として見ることができる。
• 参考スコア（独自算出の注目度）: 1.5218354569274604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many scientific and industrial applications, we are given a handful of instances (a 'small ensemble') of a spatially distributed quantity (a 'field') but would like to acquire many more. For example, a large ensemble of global temperature sensitivity fields from a climate model can help farmers, insurers, and governments plan appropriately. When acquiring more data is prohibitively expensive -- as is the case with climate models -- statistical emulation offers an efficient alternative for simulating synthetic yet realistic fields. However, parameter inference using maximum likelihood estimation (MLE) is computationally prohibitive, especially for large, non-stationary fields. Thus, many recent works train neural networks to estimate parameters given spatial fields as input, sidestepping MLE completely. In this work we focus on a popular class of parametric, spatially autoregressive (SAR) models. We make a simple yet impactful observation; because the SAR parameters can be arranged on a regular grid, both inputs (spatial fields) and outputs (model parameters) can be viewed as images. Using this insight, we demonstrate that image-to-image (I2I) networks enable faster and more accurate parameter estimation for a class of non-stationary SAR models with unprecedented complexity.
• Abstract（参考訳）: 多くの科学的、工業的応用において、空間的に分散した量(フィールド)の少数の例(小さなアンサンブル)が与えられるが、さらに多くのものを取得したい。 例えば、気候モデルから地球規模の温度感度場の大規模なアンサンブルは、農家、保険会社、政府機関が適切に計画するのに役立つ。 気候モデルと同様に、より多くのデータを取得するのが違法に高価である場合、統計エミュレーションは、合成されたが現実的な分野をシミュレートする効果的な代替手段を提供する。 しかし、最大推定(MLE)を用いたパラメータ推定は、特に大きな非定常場に対しては、計算的に禁止される。 したがって、近年の多くの研究は、空間場が与えられたパラメータを入力として推定するためにニューラルネットワークを訓練し、MLEを完全にサイドステッピングする。 本研究は, パラメトリック・空間自己回帰モデル(SAR)に焦点をあてる。 SARパラメータは通常のグリッド上に配置できるため、入力(空間場)と出力(モデルパラメータ)の両方を画像として見ることができる。 この知見を用いて、画像・画像(I2I)ネットワークは、前例のない複雑さを持つ非定常SARモデルの高速かつ高精度なパラメータ推定を可能にすることを示した。

関連論文リスト

• Modeling Spatial Extremes using Non-Gaussian Spatial Autoregressive Models via Convolutional Neural Networks [14.37149160708975]
  本稿では,空間的自己回帰モデリングフレームワークを提案する。このフレームワークは,位置とその近傍の観測を独立確率変数にマッピングする。 特に,SARモデルと一般化極値分布の革新について検討し,中心格子位置での観測と近傍の観測を組み合わせた。 本モデルを用いて,ERA-Interim-driven Weather Research and Forecasting (WRF) シミュレーションによる年間降水量の分析を行った。
  論文  参考訳（メタデータ） (2025-05-05T21:26:02Z)
• 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)
• 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)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Explainable Artificial Intelligence for Exhaust Gas Temperature of Turbofan Engines [0.0]
  記号回帰は「ブラックボックス」モデルの解釈可能な代替品である。 本研究では, 実寿命排ガス温度(EGT)データにSRを適用し, 飛行全体を通して高周波数で収集する。 その結果, 3degCの絶対差は, モデル精度に有意な結果が得られた。
  論文  参考訳（メタデータ） (2022-03-24T15:05:32Z)
• Fast covariance parameter estimation of spatial Gaussian process models using neural networks [0.0]
  我々はnnを入力として適度な大きさの空間場または変量線を取り、範囲と信号間の共分散パラメータを返すように訓練する。 トレーニングが完了すると、nnsはml推定と同等の精度で見積もりを提供し、100倍以上のスピードアップを行う。 この作業は、他のより複雑な空間問題に容易に拡張することができ、計算統計における機械学習の使用に対する概念の証明を提供する。
  論文  参考訳（メタデータ） (2020-12-30T22:06:26Z)
• Transfer Learning with Convolutional Networks for Atmospheric Parameter Retrieval [14.131127382785973]
  MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。 本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
  論文  参考訳（メタデータ） (2020-12-09T09:28:42Z)

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。