論文の概要: Ensembles of Neural Surrogates for Parametric Sensitivity in Ocean Modeling

• arxiv url: http://arxiv.org/abs/2508.16489v1
• Date: Fri, 22 Aug 2025 16:12:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.445158
• Title: Ensembles of Neural Surrogates for Parametric Sensitivity in Ocean Modeling
• Title（参考訳）: 海洋モデルにおけるパラメトリック感度のためのニューラルサロゲートのアンサンブル
• Authors: Yixuan Sun, Romain Egele, Sri Hari Krishna Narayana, Luke Van Roekel, Carmelo Gonzales, Steven Brus, Balu Nadiga, Sandeep Madireddy, Prasanna Balaprakash,
• Abstract要約: 深層学習サロゲートを用いて、前方予測、自己回帰ロールアウト、後方随伴感度の両方を改善する。 本研究では,大規模ハイパーパラメータ探索とアンサンブル学習を活用し,前方予測,自己回帰ロールアウト,後方随伴感度の両方を改善する。
• 参考スコア（独自算出の注目度）: 10.718935131235261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate simulations of the oceans are crucial in understanding the Earth system. Despite their efficiency, simulations at lower resolutions must rely on various uncertain parameterizations to account for unresolved processes. However, model sensitivity to parameterizations is difficult to quantify, making it challenging to tune these parameterizations to reproduce observations. Deep learning surrogates have shown promise for efficient computation of the parametric sensitivities in the form of partial derivatives, but their reliability is difficult to evaluate without ground truth derivatives. In this work, we leverage large-scale hyperparameter search and ensemble learning to improve both forward predictions, autoregressive rollout, and backward adjoint sensitivity estimation. Particularly, the ensemble method provides epistemic uncertainty of function value predictions and their derivatives, providing improved reliability of the neural surrogates in decision making.
• Abstract（参考訳）: 海洋の正確なシミュレーションは、地球系の理解に不可欠である。 その効率にもかかわらず、低解像度のシミュレーションは未解決のプロセスを説明するために、様々な不確実なパラメータ化を頼らなければならない。 しかし、パラメータ化に対するモデル感度の定量化は困難であり、これらのパラメータ化を調整して観測を再現することは困難である。 深層学習サロゲートは偏微分の形でパラメトリック感度の効率的な計算を約束しているが、その信頼性は基礎的真理微分なしで評価することは困難である。 本研究では,大規模ハイパーパラメータ探索とアンサンブル学習を活用し,前方予測,自己回帰ロールアウト,後方随伴感度推定の両方を改善する。 特に、アンサンブル法は、機能値予測とその誘導体の疫学的不確実性を提供し、意思決定における神経代理の信頼性を向上させる。

関連論文リスト

• Generalizable Implicit Neural Representations via Parameterized Latent Dynamics for Baroclinic Ocean Forecasting [15.223198342339803]
  PINRODは、動的に認識される暗黙のニューラル表現とパラメータ化されたニューラル常微分方程式を組み合わせた新しいフレームワークである。 海洋中規模パラメトリック活動の実験は、既存のベースラインよりも精度が高い。
  論文  参考訳（メタデータ） (2025-03-27T15:04:52Z)
• Scrambling for precision: optimizing multiparameter qubit estimation in the face of sloppiness and incompatibility [0.0]
  パラメータ符号化のための調整可能なスクランブル演算を導入することにより,スロープネスと非互換性の関連性を検討する。 分析最適化により、これらの制約を緩和し、推定効率を高める戦略を特定する。
  論文  参考訳（メタデータ） (2025-03-11T09:57:51Z)
• Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements [0.0]
  本稿では,低次グステンカウンタ流場と昇降係数をスパース・ノイズ表面圧力測定から再構成する新しい機械学習フレームワークを提案する。 本研究では,センサのガス-空気相互作用に対する応答の時間変化を徹底的に検討し,センサ配置に関する貴重な知見を明らかにする。
  論文  参考訳（メタデータ） (2025-01-06T22:02:06Z)
• Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
  線形化されたラプラス近似に下界を導入する。 これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
  論文  参考訳（メタデータ） (2023-06-06T19:02:57Z)
• Multiparameter estimation perspective on non-Hermitian singularity-enhanced sensing [0.0]
  本研究では,線形特異性摂動を特異点から遠ざけるためにシステムを用いた場合,非有界感度を実現する可能性について検討する。 分析では,どの条件下で,どの感度が得られるか,その感度が実際に変化しているかを同定し,ノイズパラメータが一般的に分析に含めるべきであることを示す。
  論文  参考訳（メタデータ） (2023-03-09T19:00:09Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• No Parameters Left Behind: Sensitivity Guided Adaptive Learning Rate for Training Large Transformer Models [132.90062129639705]
  本稿では,全てのパラメータを十分に訓練するための新しいトレーニング戦略を提案する。 感度の低いパラメータは冗長であり、学習率を高めて適合性を改善する。 対照的に、高い感度を持つパラメータを十分に訓練し、学習率を下げて正規化することで、さらなる過度なオーバーフィッティングを防止する。
  論文  参考訳（メタデータ） (2022-02-06T00:22:28Z)
• Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics [85.31247588089686]
  変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。 ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
  論文  参考訳（メタデータ） (2021-07-08T03:40:18Z)

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。