論文の概要: Accounting for model error in ensemble variational data assimilation through learned generative dynamics

• arxiv url: http://arxiv.org/abs/2610.17333v1
• Date: Mon, 12 Oct 2026 19:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:08:03.063526
• Title: Accounting for model error in ensemble variational data assimilation through learned generative dynamics
• Title（参考訳）: 学習生成力学によるアンサンブル変分データ同化におけるモデル誤差の会計
• Abstract要約: 我々は、複雑なモデルエラーを考慮に入れた、先進的な逐次データ同化スキームと生成予測モデルを組み合わせることに集中する。 我々は、この定式化を、生成的反復アンサンブルカルマンフィルタ(IEnKF-G)のアンサンブル変分法として導いて実装する。 IEnKF-Gは一般に試験された構成においてより正確であり、部分的な観測と重要なモデル誤差の下でかなりの利得がある。
• 参考スコア（独自算出の注目度）: 3.9761809127038212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many approaches have recently been proposed to combine data assimilation with machine learning for improved forecasts with geophysical models. Here, we focus on combining advanced sequential data assimilation schemes with a generative forecasting model which accounts for complex model errors. This generative model provides a stochastic approximation of the conditional distribution of the successor state given the current state. The proposed variational formulation is a novel one-step weak-constraint 4D-Var scheme in which a learned conditional stochastic forecast replaces the prescribed additive Gaussian model error representation. We derive and implement this formulation as an ensemble variational algorithm, the generative iterative ensemble Kalman filter (IEnKF-G), which generalises the iterative ensemble Kalman filter with additive Gaussian model error (IEnKF-Q). We extend the method to a smoother with an assimilation window spanning multiple time steps and propose a simplified variant. The IEnKF-G is evaluated on a stochastic variant of the Lorenz 1963 model to assess its robustness. It is then tested on a multi-scale variant of the one-dimensional Lorenz 1996 model, in which the resolved variables are affected by model error originating from the hidden small-scale variables. The algorithm is then compared to an ensemble Kalman filter that adaptively mitigates model and sampling errors, and to the IEnKF-Q. The IEnKF-G is generally more accurate in the tested configurations, with substantial gains under partial observations and significant model error. This demonstrates the potential of generative data-driven models when paired with classical data assimilation methods, particularly when model error is substantial.
• Abstract（参考訳）: 近年、データ同化と機械学習を組み合わせることで予測と物理モデルの改善が提案されている。 本稿では,高度な逐次データ同化スキームと複雑なモデル誤差を考慮した生成予測モデルを組み合わせることに焦点を当てる。 この生成モデルは、現在の状態が与えられた後続状態の条件分布の確率的近似を提供する。 提案した変分定式化は,学習条件確率予測が所定の加法ガウスモデル誤差表現を置き換える新しい1ステップの弱制約4D-Varスキームである。 我々は、この定式化を、加法ガウスモデル誤差(IEnKF-Q)で反復アンサンブルカルマンフィルタ(IEnKF-G)を一般化する、生成的反復アンサンブルカルマンフィルタ(IEnKF-G)として導出し実装する。 我々は、複数の時間ステップにまたがる同化ウィンドウを持つスムースなウィンドウにメソッドを拡張し、単純化された変種を提案する。 IEnKF-Gはロレンツ 1963モデルの確率的変種で評価され、その堅牢性を評価する。 その後、1次元ロレンツ1996モデルのマルチスケール変種でテストされ、そこでは、隠れた小さなスケールの変数から生じるモデル誤差によって解決された変数が影響を受ける。 アルゴリズムは、モデルとサンプリングエラーを適応的に緩和するアンサンブルカルマンフィルタと、IEnKF-Qと比較される。 IEnKF-Gは一般に試験された構成においてより正確であり、部分的な観測と重要なモデル誤差の下でかなりの利得がある。 これは、古典的なデータ同化手法と組み合わせた場合、特にモデル誤差がかなり大きい場合、生成データ駆動モデルの可能性を示す。

関連論文リスト

• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• 4D-Var using Hessian approximation and backpropagation applied to automatically-differentiable numerical and machine learning models [1.3142789604525646]
  本稿では,誤差のバックプロパゲーションとヘッセン近似を組み合わせることで,ガウスニュートン法を効率よく近似できることを示す。 この結果は、次世代の運用予測システムにおいて、モデリング、データ同化、および新しい技術のより深い統合の可能性を示している。
  論文  参考訳（メタデータ） (2024-08-05T18:36:13Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Deep Generative Modeling on Limited Data with Regularization by Nontransferable Pre-trained Models [32.52492468276371]
  本稿では,限られたデータを用いた生成モデルの分散を低減するために,正規化深層生成モデル(Reg-DGM)を提案する。 Reg-DGMは、ある発散の重み付け和とエネルギー関数の期待を最適化するために、事前訓練されたモデルを使用する。 実験的に、様々な事前訓練された特徴抽出器とデータ依存エネルギー関数により、Reg-DGMはデータ制限のある強力なDGMの生成性能を一貫して改善する。
  論文  参考訳（メタデータ） (2022-08-30T10:28:50Z)
• Scalable mixed-domain Gaussian process modeling and model reduction for longitudinal data [5.00301731167245]
  混合領域共分散関数に対する基底関数近似スキームを導出する。 我々は,GPモデルの精度をランタイムのごく一部で正確に近似できることを示す。 また、より小さく、より解釈可能なモデルを得るためのスケーラブルなモデルリダクションワークフローを実証する。
  論文  参考訳（メタデータ） (2021-11-03T04:47:37Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Variational Mixture of Normalizing Flows [0.0]
  生成逆数ネットワークオートサイトGAN、変分オートエンコーダオートサイトベイペーパー、およびそれらの変種などの深い生成モデルは、複雑なデータ分布をモデル化するタスクに広く採用されている。 正規化フローはこの制限を克服し、確率密度関数にそのような公式の変更を利用する。 本研究は,混合モデルのコンポーネントとして正規化フローを用い,そのようなモデルのエンドツーエンドトレーニング手順を考案することによって,この問題を克服する。
  論文  参考訳（メタデータ） (2020-09-01T17:20:08Z)

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。