論文の概要: Neural Conditional Simulation for Complex Spatial Processes

• arxiv url: http://arxiv.org/abs/2508.20067v1
• Date: Wed, 27 Aug 2025 17:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.721566
• Title: Neural Conditional Simulation for Complex Spatial Processes
• Title（参考訳）: 複雑な空間過程のニューラル条件シミュレーション
• Authors: Julia Walchessen, Andrew Zammit-Mangion, Raphaël Huser, Mikael Kuusela,
• Abstract要約: 空間統計学における重要な目的は、観測に基づいて条件付けられた観測されていない場所の選択において、空間過程の分布からシミュレートすることである。 本稿では,ニューラル拡散モデルに基づく空間条件シミュレーションの一般的な手法であるニューラル条件シミュレーション(NCS)を提案する。
• 参考スコア（独自算出の注目度）: 0.16799377888527686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key objective in spatial statistics is to simulate from the distribution of a spatial process at a selection of unobserved locations conditional on observations (i.e., a predictive distribution) to enable spatial prediction and uncertainty quantification. However, exact conditional simulation from this predictive distribution is intractable or inefficient for many spatial process models. In this paper, we propose neural conditional simulation (NCS), a general method for spatial conditional simulation that is based on neural diffusion models. Specifically, using spatial masks, we implement a conditional score-based diffusion model that evolves Gaussian noise into samples from a predictive distribution when given a partially observed spatial field and spatial process parameters as inputs. The diffusion model relies on a neural network that only requires unconditional samples from the spatial process for training. Once trained, the diffusion model is amortized with respect to the observations in the partially observed field, the number and locations of those observations, and the spatial process parameters, and can therefore be used to conditionally simulate from a broad class of predictive distributions without retraining the neural network. We assess the NCS-generated simulations against simulations from the true conditional distribution of a Gaussian process model, and against Markov chain Monte Carlo (MCMC) simulations from a Brown--Resnick process model for spatial extremes. In the latter case, we show that it is more efficient and accurate to conditionally simulate using NCS than classical MCMC techniques implemented in standard software. We conclude that NCS enables efficient and accurate conditional simulation from spatial predictive distributions that are challenging to sample from using traditional methods.
• Abstract（参考訳）: 空間統計学の重要な目的は、観測(すなわち予測分布)に条件づけられた未観測位置の選択における空間過程の分布をシミュレートし、空間予測と不確実な定量化を可能にすることである。 しかし、この予測分布からの正確な条件付きシミュレーションは多くの空間過程モデルに対して難解か非効率である。 本稿では,ニューラル拡散モデルに基づく空間条件シミュレーションの一般的な手法であるニューラル条件シミュレーション(NCS)を提案する。 具体的には,空間的マスクを用いて,空間的空間場と空間的プロセスパラメータを入力として与えたときに,ガウス雑音を予測分布からサンプルへと発展させる条件付きスコアベース拡散モデルを実装した。 拡散モデルは、トレーニングのために空間的プロセスからの無条件サンプルのみを必要とするニューラルネットワークに依存している。 トレーニングが完了すると、拡散モデルは、部分的な観測領域における観測、それらの観測の個数と位置、空間的プロセスパラメータに関して償却されるので、ニューラルネットワークを再訓練することなく、広範囲の予測分布から条件付きシミュレートすることができる。 ガウス過程モデルの実条件分布とブラウン-レズニック過程モデルからのマルコフ連鎖モンテカルロ (MCMC) シミュレーションからシミュレーションに対するNCS生成シミュレーションを評価する。 後者の場合、標準ソフトウェアで実装された従来のMCMC技術よりも、NCSを用いた条件付きシミュレートの方が効率的で正確であることを示す。 従来の手法ではサンプリングが困難であった空間的予測分布から, NCSは効率的に, 正確な条件付きシミュレーションを可能にした。

関連論文リスト

• Emulating compact binary population synthesis simulations with robust uncertainty quantification and model comparison: Bayesian normalizing flows [0.0]
  二元座標の集団シミュレーションは重力波(GW)観測から天体物理学的な知見を抽出する上で重要な役割を担っている。 ベイズ正規化フローを導入し,エミュレータの不確かさを定量化し,余剰化する方法を開発した。 共通エンベロープ進化により形成された二元ブラックホール群のシミュレーションにおいて, 推定不確かさの精度, 校正, およびデータ増幅の影響を実証した。
  論文  参考訳（メタデータ） (2025-06-06T01:17:52Z)
• 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)
• Application of machine learning technique for a fast forecast of aggregation kinetics in space-inhomogeneous systems [0.0]
  機械学習(ML)技術を用いて直接計算の量を削減する方法について述べる。 本研究では,集合体の空間分布とその大きさ分布に対するML予測が計算時間を大幅に短縮し,直接数値シミュレーションの結果とよく一致することを示す。
  論文  参考訳（メタデータ） (2023-12-07T19:50:40Z)
• Simulation-based Inference for High-dimensional Data using Surjective Sequential Neural Likelihood Estimation [45.9982965995401]
  我々はSBI(Surjective Sequential Neural Likelihood Estimation)という,シミュレーションベース推論(SBI)手法のファミリーにおける新しいメンバーを提案する。 SSNL は次元共振型正規化フローモデルに適合し、マルコフ連鎖モンテカルロあるいは変分ベイズ法による計算推論を可能にする代理可能性関数として利用する。 SSNLは、天体物理学と神経科学の文献から得られた2つの挑戦的な実例を含む、多種多様な実験で評価し、その成果が、最先端の手法に匹敵するか、同等であることを示す。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Generative Network-Based Reduced-Order Model for Prediction, Data Assimilation and Uncertainty Quantification [0.0]
  本稿では,生成ネットワーク(GN)を低次モデル(ROM)フレームワークに統合する手法を提案する。 目的は、利用可能な測定値に一致し、物理シミュレーションの状態とパラメータに関連する、対応する不確かさを推定することである。
  論文  参考訳（メタデータ） (2021-05-28T14:12:45Z)

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。