論文の概要: Prequential posteriors

• arxiv url: http://arxiv.org/abs/2511.17721v1
• Date: Fri, 21 Nov 2025 19:18:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.377505
• Title: Prequential posteriors
• Title（参考訳）: 前方後部
• Authors: Shreya Sinha-Roy, Richard G. Everitt, Christian P. Robert, Ritabrata Dutta,
• Abstract要約: 逐次的(逐次的)損失関数に基づく前置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置 軽度条件下では、事前損失最小化器と、最適予測性能を持つパラメータまわりの逐次後部集中器の両方が有効であることを示す。 本手法は,合成多次元時系列と実世界の気象データセットの両方で検証する。
• 参考スコア（独自算出の注目度）: 2.831395148295604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data assimilation is a fundamental task in updating forecasting models upon observing new data, with applications ranging from weather prediction to online reinforcement learning. Deep generative forecasting models (DGFMs) have shown excellent performance in these areas, but assimilating data into such models is challenging due to their intractable likelihood functions. This limitation restricts the use of standard Bayesian data assimilation methodologies for DGFMs. To overcome this, we introduce prequential posteriors, based upon a predictive-sequential (prequential) loss function; an approach naturally suited for temporally dependent data which is the focus of forecasting tasks. Since the true data-generating process often lies outside the assumed model class, we adopt an alternative notion of consistency and prove that, under mild conditions, both the prequential loss minimizer and the prequential posterior concentrate around parameters with optimal predictive performance. For scalable inference, we employ easily parallelizable wastefree sequential Monte Carlo (SMC) samplers with preconditioned gradient-based kernels, enabling efficient exploration of high-dimensional parameter spaces such as those in DGFMs. We validate our method on both a synthetic multi-dimensional time series and a real-world meteorological dataset; highlighting its practical utility for data assimilation for complex dynamical systems.
• Abstract（参考訳）: データ同化は、天気予報からオンライン強化学習まで、新しいデータを見る際に予測モデルを更新するための基本的なタスクである。 深部生成予測モデル(DGFM)はこれらの分野で優れた性能を示してきたが、そのようなモデルにデータを同化することは難易度関数のために困難である。 この制限は、DGFMの標準ベイズデータ同化法の使用を制限する。 これを解決するために,予測順序(逐次的)損失関数を基礎として,予測タスクの焦点である時間依存データに自然に適合する手法を提案する。 真のデータ生成プロセスは、しばしば仮定されたモデルクラスの外にあるため、一貫性の代替概念を採用し、穏やかな条件下では、事前損失最小化器と最適予測性能を持つパラメータの前後に集中することが証明される。 スケーラブルな推論のために,DGFM などの高次元パラメータ空間の効率的な探索を可能にするために,事前条件付き勾配型カーネルを並列化可能な無駄のないシーケンシャルモンテカルロ (SMC) サンプリング器を用いる。 本手法は,合成多次元時系列と実世界の気象データセットの両方で検証し,複雑な力学系におけるデータ同化のための実用的有用性を強調した。

関連論文リスト

• PnP-DA: Towards Principled Plug-and-Play Integration of Variational Data Assimilation and Generative Models [0.1052166918701117]
  地球系のモデリングは科学計算における根本的な課題である。 最も強力なAIや物理ベースの予測システムでさえ、徐々にエラーが蓄積される。 本稿では,背景予測に基づいて事前学習した事前条件を1つのフォワードパスで,軽量で勾配に基づく解析更新を置き換えるPlug-and-Playアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-08-01T05:19:19Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• KODA: A Data-Driven Recursive Model for Time Series Forecasting and Data Assimilation using Koopman Operators [14.429071321401953]
  非線形力学系における予測とデータ同化を統合したクープマン演算子に基づく手法を提案する。 特に、Fourierドメインフィルタを使用してデータを物理的コンポーネントに切り離し、そのダイナミクスはクープマン演算子によって正確に表現できる。 複数の時系列ベンチマークにおいて,KODAが既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-29T02:25:48Z)
• ST-LoRA: Low-rank Adaptation for Spatio-Temporal Forecasting [13.595533573828734]
  モデルと呼ばれる既存の時間的予測モデルに対する低ランク適応フレームワークを提案する。 具体的には、ノード適応型低ランク層とノード固有予測器を導入し、ノードの複雑な機能特性を捉える。 本手法は,計算オーバーヘッドが最小限である様々な予測モデルに対して,常に優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-04-11T17:04:55Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• History Matching for Geological Carbon Storage using Data-Space Inversion with Spatio-Temporal Data Parameterization [0.0]
  データ空間インバージョン(DSI)では、履歴にマッチした興味の量は、後続のジオモデルを構築することなく直接推測される。 これは、ベイズの設定内でのO(1000)事前シミュレーション結果、データパラメータ化、および後続サンプリングのセットを用いて効率よく達成される。 新たなパラメータ化では、次元縮小のための対向オートエンコーダ(AAE)と畳み込み長短期メモリ(convLSTM)ネットワークを使用して、圧力場と飽和場の空間分布と時間的進化を表す。
  論文  参考訳（メタデータ） (2023-10-05T00:50:06Z)

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。