論文の概要: The Ensemble Kalman Inversion Race

• arxiv url: http://arxiv.org/abs/2511.15853v1
• Date: Wed, 19 Nov 2025 20:18:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.364759
• Title: The Ensemble Kalman Inversion Race
• Title（参考訳）: アンサンブル・カルマン・インバージョンレース
• Authors: Rebecca Gjini, Matthias Morzfeld, Oliver R. A. Dunbar, Tapio Schneider,
• Abstract要約: エンサンブルカルマン法は、当初海洋学における非線形データ同化問題を解くために開発された。 我々は、モデル化された気候統計と観測された気候統計のミスフィットを最小限に抑え、気候モデルパラメータの学習に重点を置いている。 重要な疑問は、どのアンサンブル・カルマン法を気候モデルキャリブレーションに使用するべきかである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensemble Kalman methods were initially developed to solve nonlinear data assimilation problems in oceanography, but are now popular in applications far beyond their original use cases. Of particular interest is climate model calibration. As hybrid physics and machine-learning models evolve, the number of parameters and complexity of parameterizations in climate models will continue to grow. Thus, robust calibration of these parameters plays an increasingly important role. We focus on learning climate model parameters from minimizing the misfit between modeled and observed climate statistics in an idealized setting. Ensemble Kalman methods are a natural choice for this problem because they are derivative-free, scalable to high dimensions, and robust to noise caused by statistical observations. Given the many variants of ensemble methods proposed, an important question is: Which ensemble Kalman method should be used for climate model calibration? To answer this question, we perform systematic numerical experiments to explore the relative computational efficiencies of several ensemble Kalman methods. The numerical experiments involve statistical observations of Lorenz-type models of increasing complexity, frequently used to represent simplified atmospheric systems, and some feature neural network parameterizations. For each test problem, several ensemble Kalman methods and a derivative-based method "race" to reach a specified accuracy, and we measure the computational cost required to achieve the desired accuracy. We investigate how prior information and the parameter or data dimensions play a role in choosing the ensemble method variant. The derivative-based method consistently fails to complete the race because it does not adaptively handle the noisy loss landscape.
• Abstract（参考訳）: アンサンブル・カルマン法は、海洋学における非線形データ同化問題の解法として開発されたが、現在ではその応用範囲を超えて広く使われている。 特に関心があるのは、気候モデル校正である。 ハイブリッド物理と機械学習モデルが進化するにつれて、気候モデルにおけるパラメータの数とパラメータ化の複雑さが増加し続ける。 したがって、これらのパラメータのロバストな校正は、ますます重要な役割を果たす。 我々は、理想的な環境下で、モデル化された気候統計と観測された気候統計のミスフィットを最小化することから、気候モデルパラメータの学習に焦点をあてる。 エンサンブルカルマン法は、微分自由で、高次元にスケーラブルで、統計観測によって引き起こされる雑音に頑健であるため、この問題に対して自然な選択である。 重要な疑問は、どのアンサンブル・カルマン法を気候モデルキャリブレーションに使用するべきかである。 この問題に対処するために,いくつかのアンサンブルカルマン法の相対計算効率を探索するために,系統的な数値実験を行った。 この数値実験は、複雑性が増大するロレンツ型モデルの統計観測と、単純化された大気系を表現するためにしばしば使用される、いくつかの特徴的ニューラルネットワークパラメータ化を含む。 それぞれのテスト問題に対して、いくつかのアンサンブルカルマン法と導関数に基づく手法「レース」を特定の精度に到達させ、所望の精度を達成するために必要な計算コストを測定する。 本研究では,先行情報とパラメータやデータ次元が,アンサンブル法を選択する上でどのような役割を果たすかを検討する。 導関数に基づく手法は、ノイズの多いロスランドスケープを適応的に扱わないため、レースを完了するのに一貫して失敗する。

関連論文リスト

• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
  海洋生態系の予測モデルは、様々なニーズに使われている。 希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。 候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
  論文  参考訳（メタデータ） (2022-11-12T17:49:18Z)
• Neural parameter calibration for large-scale multi-agent models [0.7734726150561089]
  本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。 2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
  論文  参考訳（メタデータ） (2022-09-27T17:36:26Z)
• Ensemble Inference Methods for Models With Noisy and Expensive Likelihoods [3.856620400071431]
  本稿では,パラメータの逆問題解法における相互作用粒子系の利用について述べる。 利用可能なフォワードモデルの評価は、パラメータ空間において、滑らかに変化する大規模パラメトリック構造に重畳される高速揺らぎの対象となる。 このような急激なゆらぎをノイズと呼び、パラメータ・データ・マップの大規模パラメトリック依存性を汚染する場合の相互作用粒子系アルゴリズムの挙動をマルチスケール解析により解析する。
  論文  参考訳（メタデータ） (2021-04-07T20:29:18Z)
• Variable selection with missing data in both covariates and outcomes: Imputation and machine learning [1.0333430439241666]
  欠落したデータ問題は、健康研究で普遍的です。 機械学習はパラメトリックな仮定を弱める。 XGBoostとBARTは、さまざまな設定で最高のパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-04-06T20:18:29Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Uncertainty Quantification and Deep Ensembles [79.4957965474334]
  ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。 そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。 このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
  論文  参考訳（メタデータ） (2020-07-17T07:32:24Z)

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。