Fugu-MT 論文翻訳(概要): Ensemble Visualization With Variational Autoencoder

論文の概要: Ensemble Visualization With Variational Autoencoder

arxiv url: http://arxiv.org/abs/2509.13000v1
Date: Tue, 16 Sep 2025 12:13:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:53.074229
Title: Ensemble Visualization With Variational Autoencoder
Title（参考訳）: 変分オートエンコーダを用いたアンサンブル可視化
Authors: Cenyang Wu, Qinhan Yu, Liang Zhou,
Abstract要約: 本稿では,潜在空間における構造的確率的表現を構築することにより,データアンサンブルを可視化する新しい手法を提案する。天気予報アンサンブルの予備結果は,本手法の有効性と汎用性を示すものである。
参考スコア（独自算出の注目度）: 4.539358010738346
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a new method to visualize data ensembles by constructing structured probabilistic representations in latent spaces, i.e., lower-dimensional representations of spatial data features. Our approach transforms the spatial features of an ensemble into a latent space through feature space conversion and unsupervised learning using a variational autoencoder (VAE). The resulting latent spaces follow multivariate standard Gaussian distributions, enabling analytical computation of confidence intervals and density estimation of the probabilistic distribution that generates the data ensemble. Preliminary results on a weather forecasting ensemble demonstrate the effectiveness and versatility of our method.
Abstract（参考訳）: 本研究では,空間データの特徴の低次元表現を潜在空間内に構築し,データアンサンブルを可視化する手法を提案する。提案手法は,変分オートエンコーダ(VAE)を用いた特徴空間変換と教師なし学習により,アンサンブルの空間的特徴を潜在空間に変換する。得られた潜在空間は多変量標準ガウス分布に従い、信頼区間の解析計算とデータアンサンブルを生成する確率分布の密度推定を可能にする。天気予報アンサンブルの予備結果は,本手法の有効性と汎用性を示すものである。

関連論文リスト

Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
論文参考訳（メタデータ） (2025-06-02T08:13:32Z)
Learning low-dimensional representations of ensemble forecast fields using autoencoder-based methods [0.08192907805418585]
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。
論文参考訳（メタデータ） (2025-02-06T10:16:47Z)
Spatially-Aware Diffusion Models with Cross-Attention for Global Field Reconstruction with Sparse Observations [1.371691382573869]
フィールド再構成タスクにおけるスコアベース拡散モデルの開発と拡張を行う。本研究では,観測領域と観測領域の間のトラクタブルマッピングを構築するための条件符号化手法を提案する。本研究では, モデルが再現可能かどうかを把握し, 融合結果の精度を向上する能力を示す。
論文参考訳（メタデータ） (2024-08-30T19:46:23Z)
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)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文参考訳（メタデータ） (2024-01-29T02:08:40Z)
Efficient Large-scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks [3.5455896230714194]
非定常データからサブリージョンを導出するためにConvNetsを使用します。定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。提案手法の性能を大規模に評価する。
論文参考訳（メタデータ） (2023-06-20T12:17:46Z)
VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2023-04-03T13:13:19Z)
Learning Structured Gaussians to Approximate Deep Ensembles [10.055143995729415]
本稿では,スパース構造多変量ガウシアンを用いて,高密度画像予測タスクのための閉形式近似器を提案する。正規分布における予測の不確かさと構造的相関を、サンプリング単独で暗黙的にではなく、明示的に捉える。単分子深度推定におけるアプローチの利点を実証し,本手法の利点が同等の定量的性能で得られることを示す。
論文参考訳（メタデータ） (2022-03-29T12:34:43Z)
Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。次に、効率的な手順で特徴写像を密に再構築する。提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。