論文の概要: Small Ensemble-based Data Assimilation: A Machine Learning-Enhanced Data Assimilation Method with Limited Ensemble Size

• arxiv url: http://arxiv.org/abs/2510.15284v1
• Date: Fri, 17 Oct 2025 03:47:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.461156
• Title: Small Ensemble-based Data Assimilation: A Machine Learning-Enhanced Data Assimilation Method with Limited Ensemble Size
• Title（参考訳）: 小さなアンサンブルに基づくデータ同化:限定アンサンブルサイズを持つ機械学習強化データ同化法
• Authors: Zhilin Li, Yao Zhou, Xianglong Li, Zeng Liu, Zhaokuan Lu, Shanlin Xu, Seungnam Kim, Guangyao Wang,
• Abstract要約: 従来のアンサンブルカルマンフィルタ(EnKF)と完全連結ニューラルネットワーク(FCNN)を組み合わせた,機械学習に基づく新しいデータ同化手法を提案する。 本稿では,ロレンツ・システムと非線形海洋波動場シミュレーションを用いた数値実験により,提案手法の性能評価を行った。 その結果,従来のEnKFのアンサンブルサイズよりも高い精度を実現し,計算コストの低減が図られた。
• 参考スコア（独自算出の注目度）: 6.387130323680299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble-based data assimilation (DA) methods have become increasingly popular due to their inherent ability to address nonlinear dynamic problems. However, these methods often face a trade-off between analysis accuracy and computational efficiency, as larger ensemble sizes required for higher accuracy also lead to greater computational cost. In this study, we propose a novel machine learning-based data assimilation approach that combines the traditional ensemble Kalman filter (EnKF) with a fully connected neural network (FCNN). Specifically, our method uses a relatively small ensemble size to generate preliminary yet suboptimal analysis states via EnKF. A FCNN is then employed to learn and predict correction terms for these states, thereby mitigating the performance degradation induced by the limited ensemble size. We evaluate the performance of our proposed EnKF-FCNN method through numerical experiments involving Lorenz systems and nonlinear ocean wave field simulations. The results consistently demonstrate that the new method achieves higher accuracy than traditional EnKF with the same ensemble size, while incurring negligible additional computational cost. Moreover, the EnKF-FCNN method is adaptable to diverse applications through coupling with different models and the use of alternative ensemble-based DA methods.
• Abstract（参考訳）: アンサンブルベースのデータ同化(DA)法は、非線形動的問題に対処する固有の能力のため、ますます人気が高まっている。 しかし、これらの手法は解析精度と計算効率のトレードオフに直面することが多く、高い精度に必要なアンサンブルのサイズが大きいと計算コストが大きくなる。 本研究では,従来のアンサンブルカルマンフィルタ(EnKF)と完全連結ニューラルネットワーク(FCNN)を組み合わせた,機械学習に基づく新しいデータ同化手法を提案する。 具体的には, 比較的小さなアンサンブルサイズを用いて, EnKFによる予備的かつ準最適解析状態を生成する。 次に、FCNNを用いてこれらの状態の補正項を学習し、予測することにより、限られたアンサンブルサイズによって引き起こされる性能劣化を緩和する。 本稿では,ロレンツ・システムと非線形海洋波動場シミュレーションを用いた数値実験により,提案手法の性能評価を行った。 その結果,従来のEnKFのアンサンブルサイズよりも高い精度を実現し,計算コストの低減が図られた。 さらに、EnKF-FCNN法は、異なるモデルとの結合や代替アンサンブルに基づくDA法の使用を通じて、多様なアプリケーションに適用可能である。

関連論文リスト

• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Neural incomplete factorization: learning preconditioners for the conjugate gradient method [2.899792823251184]
  我々は、効率的なプレコンディショナーの生成を加速するためのデータ駆動型アプローチを開発する。 一般的に手動のプリコンディショナーをグラフニューラルネットワークの出力に置き換える。 本手法は, 行列の不完全分解を発生させ, 神経不完全分解(NeuralIF)と呼ばれる。
  論文  参考訳（メタデータ） (2023-05-25T11:45:46Z)
• Faster Adaptive Federated Learning [84.38913517122619]
  フェデレートラーニングは分散データの出現に伴って注目を集めている。 本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:07:50Z)
• Generalised Latent Assimilation in Heterogeneous Reduced Spaces with Machine Learning Surrogate Models [10.410970649045943]
  我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。 一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2022-04-07T15:13:12Z)
• Local approximate Gaussian process regression for data-driven constitutive laws: Development and comparison with neural networks [0.0]
  局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。 FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
  論文  参考訳（メタデータ） (2021-05-07T14:49:28Z)

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。