論文の概要: Covariance-Informed Ensemble Score Filtering: Embedding Localized Covariance Geometry into Score-Based Transport
- arxiv url: http://arxiv.org/abs/2610.32148v1
- Date: Fri, 23 Oct 2026 04:25:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.387205
- Title: Covariance-Informed Ensemble Score Filtering: Embedding Localized Covariance Geometry into Score-Based Transport
- Title（参考訳）: Covariance-Informed Ensemble Score Filtering: Embeddding Localized Covariance Geometry into Score-Based Transport
- Abstract要約: 本稿では,前向き拡散と逆輸送に直接局所化予測誤差共分散幾何を埋め込む共分散インフォーム型アンサンブルスコアフィルタ(CI-EnSF)を提案する。
Lorenz-96と表面準地質学(SQG)による実験は、明確な状態依存を示す。
- 参考スコア（独自算出の注目度）: 6.866145061818906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background-error covariance models are central to atmospheric data assimilation because they spread partial observational information across space, variables, and dynamically coupled scales. Ensemble and variational methods exploit this covariance geometry efficiently, but their standard analysis formulations are largely built around Gaussian or locally quadratic approximations. Score-based ensemble filtering provides a framework for nonlinear distributional transport, but existing Ensemble Score Filter (EnSF) formulations lack an intrinsic covariance-mediated pathway for propagating likelihood information from observed to unobserved state components. We introduce a covariance-informed ensemble score filter (CI-EnSF) that embeds localized forecast-error covariance geometry directly into the forward diffusion and reverse transport. The proposed forward diffusion is covariance-shaped in standardized state space and becomes isotropic under the corresponding control-variable transformation. This covariance structure continuously propagates observational information from observed to unobserved state components throughout the reverse transport analysis trajectory. Experiments with Lorenz-96 and surface quasi-geostrophic (SQG) dynamics show a clear regime dependence. For linear observations, a well-tuned LETKF is more accurate, while CI-EnSF maintains stable cycling and effective covariance-mediated information propagation. Under strongly nonlinear observations and under climatological initialization, CI-EnSF achieves lower analysis error and greater cycling robustness than Gaussian ensemble benchmarks such as the LETKF, with improvements extending across spatial scales in the nonlinear SQG experiment. These results suggest that the principal benefit of CI-EnSF arises from combining nonlinear distributional transport with the mature covariance geometry used in conventional data assimilation.
- Abstract（参考訳）: 背景誤差共分散モデルは、空間、変数、動的に結合されたスケールに部分的な観測情報を拡散するため、大気データ同化の中心である。
アンサンブル法と変分法はこの共分散幾何学を効率的に活用するが、その標準的な解析公式はガウス近似や局所二次近似を中心に構築されている。
スコアベースのアンサンブルフィルタは非線形分布輸送の枠組みを提供するが、既存のエンサンブルスコアフィルタ(EnSF)の定式化は観測された状態成分から観測されていない状態成分への確率情報を伝播する固有の共分散経路を欠いている。
本稿では,前向き拡散と逆輸送に直接局所化予測誤差共分散幾何を埋め込む共分散インフォーム型アンサンブルスコアフィルタ(CI-EnSF)を提案する。
提案した前方拡散は、標準状態空間において共分散型であり、対応する制御変数変換の下で等方性となる。
この共分散構造は、観測された状態成分から観測されていない状態成分まで、逆輸送解析軌道を通して継続的に伝播する。
Lorenz-96と表面準地質学(SQG)による実験は、明確な状態依存を示す。
線形観測では、よく調整されたLETKFの方が正確であり、CI-EnSFは安定したサイクリングと効果的な共分散による情報伝達を維持している。
強い非線形観測と気候学的初期化の下では、CI-EnSFはLETKFのようなガウスアンサンブルベンチマークよりも低い解析誤差とよりサイクリングロバスト性を達成し、非線形SQG実験では空間スケールにわたって改善されている。
これらの結果は、CI-EnSFの主な利点は、従来のデータ同化法で用いられる成熟した共分散幾何と非線形分布輸送を組み合わせることにあることを示唆している。
関連論文リスト
- A Large-Dimensional Analysis of Least-Squares Federated Learning via Generalized Total Variation Minimization [48.763194210360275]
分散化されたネットワーク上でのフェデレーション学習は、本質的には局所的な有限サンプルノイズの抑制と引き換えにしている。
最小二乗モデルを用いた一般化トータル変分最小化の大次元解析を行うことにより、この張力について検討する。
論文 参考訳（メタデータ） (2026-10-14T12:13:14Z) - Constant-Curvature Sliced Gromov-Wasserstein for Heterogeneous Cross-Curvature Alignment [57.11319004902961]
混合曲率モデルは、異なる曲率を持つ空間が本質的に不均一であるため、各成分空間を独立に学習する。
定数曲率スライスしたGromov-Wasserstein (CCSGW) を提案する。
我々は,CCSGWが不均一空間間の固有幾何差を制御し,分布レベルの幾何整合性を促進することを示す理論的解析を行った。
論文 参考訳（メタデータ） (2026-10-05T18:29:23Z) - Scalable Diffusion SBI for Compositional Inference under Simulator Misspecification [0.0]
設計条件設定における拡散に基づく推論のためのサンプリング法と微調整法を開発した。
HBDS(Hierarchical Blockwise Diffusion Sampling)を導入し,1つの事前学習モデルを用いて,共有パラメータとグループ固有の潜在状態を推定する。
誤特定に対処するために、我々は学習した確率を観測に適応させ、修正を後部推論に転送するパス規則化された微調整を導入する。
論文 参考訳（メタデータ） (2026-09-29T07:55:47Z) - FREESIA: Covariance-Aware Posterior Transport for Expressive and Scalable Data Assimilation [5.387311686961052]
複雑なシステムのための訓練不要で正確な後部輸送法を提案する。
提案手法は, 複雑な後部構造を捕捉し, スパース, 非線形および非射影観察において精度を保っている。
スパースな非注入条件下では、RMSEは最高のベースラインに対して56%減少する。
論文 参考訳（メタデータ） (2026-09-19T07:49:32Z) - Incremental Aggregation on the Grassmannian for Asynchronous Eigenspace Computation [37.26483427088676]
異種分散システムにおける有限サム固有空間計算の非同期最適化について検討する。
到着したコンポーネントのみをリフレッシュし、キャッシュされた勾配を再利用するグラスマン増分集約法を提案する。
直列および分散PCA実験は, 試料効率の向上と, 代表ベースライン上の壁面収束を実証した。
論文 参考訳（メタデータ） (2026-08-05T03:21:38Z) - CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。
ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
論文 参考訳（メタデータ） (2026-07-03T09:36:02Z) - Information-Theoretic Generalization Bounds for Stochastic Gradient Descent with Predictable Virtual Noise [0.0]
各反復における摂動共分散は、過去の実SGD履歴に依存するが、現在または将来のランダム性には依存しない。
この予測可能性により、条件付きガウス相対エントロピーの議論が可能になり、適応的な仮想ノイズ幾何学を持つSGDの一般化境界が得られる。
このフレームワークは、アルゴリズムを変更することなく、仮想摂動解析を履歴依存SGDに拡張しながら、固定等方性と幾何認識境界を特別なケースとして回復する。
論文 参考訳（メタデータ） (2026-04-30T08:54:42Z) - Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
GTSA-PCAは主成分分析の幾何学的拡張である。
曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。
以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
論文 参考訳（メタデータ） (2026-04-20T20:36:36Z) - GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z)
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。