論文の概要: Patch-Based Deep Kernel Learning for Data Assimilation and Bias Correction with Extremely Sparse Observations

• arxiv url: http://arxiv.org/abs/2610.41596v1
• Date: Fri, 30 Oct 2026 11:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.691425
• Title: Patch-Based Deep Kernel Learning for Data Assimilation and Bias Correction with Extremely Sparse Observations
• Title（参考訳）: Patch-based Deep Kernel Learning for Data Assimilation and Bias Correction with Extremely Sparse Observations
• Abstract要約: 同化(DA)は、センサ観測と数値モデルの出力を組み合わせることで、時間系の状態を再構築する。 本稿では,畳み込みニューラルネットワーク(CNN)と学習可能なガウス過程(GP)を結合してDAとバイアス補正を行うハイブリッドフレームワークを提案する。 提案手法は,従来のGPモデルと競合するDLモデルである3D-Varよりも優れた性能を示し,推論時間を3D-Varに対して98%以上削減することを示した。
• 参考スコア（独自算出の注目度）: 3.1064974747786107
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data Assimilation (DA) reconstructs the state of a spatio-temporal system by combining sensor observations with the output of a numerical model. Since model states are high-dimensional while observations cover only a small fraction of the domain, DA is a challenging large-scale estimation problem, central to weather forecasting and oceanography. Classical variational methods such as 3D-Var rely on a hand-crafted background error covariance that assumes unbiased errors, and therefore cannot capture state-dependent correlations or systematic model biases. Moreover, their cost grows with the size of the domain. Deep learning (DL) methods can perform DA and bias correction (BC) non-linearly, but typically offer limited interpretability and no calibrated uncertainty estimates. We propose a hybrid framework that couples a convolutional neural network (CNN) with a learnable-kernel Gaussian Process (GP) to jointly perform DA and BC from extremely sparse observations. The model is trained end-to-end by maximizing the marginal log-likelihood, learns a data-driven covariance over the whole grid, and provides both the Maximum A Posteriori analysis and its uncertainty by design. A patch-based strategy reduces the $O(N^3)$ training cost of exact GPs over $N$ grid points to $O(N)$ for a fixed patch size. Inference remains exact and only requires solving a linear system whose $O(m^3)$ cost depends on the number of observations $m \ll N$, not on the domain. The learned covariance can also replace the hand-crafted one in 3D-Var, improving its accuracy without changing the variational formulation. Experiments on sea surface temperature and salinity, with both synthetic and real, extremely sparse in-situ observations, show that the framework outperforms 3D-Var, a classical GP and a competing DL model, while reducing inference time by more than 98% with respect to 3D-Var.
• Abstract（参考訳）: データ同化(DA)は、センサ観測と数値モデルの出力を組み合わせることで、時空間系の状態を再構築する。 モデル状態は高次元であり、観測は領域のごく一部しかカバーしていないため、DAは気象予報や海洋学の中心的な大規模推定問題である。 3D-Varのような古典的な変分法は、非バイアス誤差を仮定する手作りの背景誤差共分散に依存しており、したがって状態依存の相関や体系的なモデルバイアスを捉えることはできない。 さらに、そのコストはドメインのサイズとともに増大します。 ディープラーニング(DL)法はDAとバイアス補正(BC)を非線形に行うことができるが、通常は限定的な解釈可能性を提供し、キャリブレーションされた不確実性推定は行わない。 本稿では,畳み込みニューラルネットワーク(CNN)と学習可能なカーネルガウス過程(GP)を結合したハイブリッドフレームワークを提案する。 このモデルは、限界ログを最大化してエンドツーエンドにトレーニングされ、グリッド全体のデータ駆動共分散を学び、最大A Posteriori解析と設計による不確実性の両方を提供する。 パッチベースの戦略は、正確なGPのトレーニングコストを$N$グリッドポイントから$O(N)$に下げる。 推論は依然として正確であり、$O(m^3)$コストが領域ではなく、観測数$m \ll N$に依存するような線形系を解く必要がある。 学習された共分散は、3D-Varで手作りのものを置き換えることができ、変分定式を変更することなく精度を向上させることができる。 海面温度と塩分濃度について, 合成および実測, 極めて希薄なその場観測を行った結果, 3D-Var, 古典的なGP, 競合するDLモデルより優れており, 推定時間は3D-Varに対して98%以上減少していることがわかった。

関連論文リスト

• Modeling Uncertainty Propagation in 3D Morphable Models [93.10045817677042]
  本研究では,3次元形態素モデルのパラメータ空間の分散を頂点ごとの分散にマッピングする問題について検討する。 我々はこの制限を閉形式局所不確実性推定で解決する。 CLUEは3DMMのパラメータ空間分布を閉形式近似により頂点ごとに変換する。
  論文  参考訳（メタデータ） (2026-10-17T11:48:00Z)
• Adaptive Mean Estimation by In-Context Learning: A Gradient-Flow Analysis [5.932909191486171]
  従来の適応型ネットワーク(PFN)は、真のデータ生成モデルに合わせた手法と同様に、統計的適応性を持つ。 制御された位置推定問題において,そのような適応性がどのように学習されるかを検討する。
  論文  参考訳（メタデータ） (2026-10-06T05:57:10Z)
• Discretizing Group-Convolutional Neural Networks for 3D Geometry in Feature Space [4.089404117494378]
  グループ畳み込みニューラルネットワーク(GCNN)は、ディープラーニングにおける帰納バイアスとして対称性を導入する上で最も重要な手法の一つである。 本稿では,特徴空間のサンプリングを提案し,幾何学的に密度の高いサンプルを特徴類似性によって選択された代表サンプルに置き換える。 我々の主な経験的発見は、粗い特徴空間サンプリングが、分類精度を著しく高く保っていることである。
  論文  参考訳（メタデータ） (2026-05-14T19:47:43Z)
• Training Dynamics of Learning 3D-Rotational Equivariance [36.537155535159435]
  対称性に依存しないモデルがいかに素早く対称性を尊重するかを考察する。 3次元回転の場合、非同変モデルの損失ペナルティは訓練を通して小さくなる。
  論文  参考訳（メタデータ） (2025-12-02T00:48:09Z)
• Learning Curves of Stochastic Gradient Descent in Kernel Regression [7.063108005500741]
  我々は、ソース条件下でのカーネル回帰において、シングルパスグラディエントDescent (SGD) を解析する。 驚くべきことに、SGD はすべてのスケールで最大 min-max の最適速度を達成する。 SGDが飽和の呪いを克服する主な理由は、指数関数的に減衰するステップサイズスケジュールである。
  論文  参考訳（メタデータ） (2025-05-28T07:16:11Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Scaling Laws in Linear Regression: Compute, Parameters, and Data [86.48154162485712]
  無限次元線形回帰セットアップにおけるスケーリング法則の理論について検討する。 テストエラーの再現可能な部分は$Theta(-(a-1) + N-(a-1)/a)$であることを示す。 我々の理論は経験的ニューラルスケーリング法則と一致し、数値シミュレーションによって検証される。
  論文  参考訳（メタデータ） (2024-06-12T17:53:29Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)

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。