Jul, 2023

3D 模拟集合中统计依赖关系的交互式可视化的神经场

PDF
TL;DR本研究提出了首个神经网络，该网络已学会紧凑地表示并能够有效地重构大型三维模拟集合中不同空间位置上物理变量之间的统计依赖关系，其中对于非线性依赖关系采用了互信息进行测量，并通过大型天气预报集合进行了学习和重构。
发现论文，激发创造
  • 基于神经网络的逐点依存关系估计方法

    本文提出了两种方法（Probabilistic Classifier 和 Density-Ratio Fitting）来解决 MI 估计中存在的方差大的问题，这两种方法可以自然地获得点对点的依赖信息，为自监督学习和跨模态检索任务提供了有效方法。

    Jun, 2020

  • 依赖数据的统计估计

    提出一种基于马尔科夫随机场的方法，考虑了相互依赖的二元标签，实现了对相关数据的统计有效估计， 并在逻辑回归、稀疏逻辑回归和神经网络等多个领域进行了探究。结果表明该方法可以更准确地估计参数，比传统的回归方法效果更好。在 Cora、Citeseer 和 Pubmed 等数据集中验证了该方法的有效性。

    Jul, 2021

  • 神经群体动态和几何的可解释统计表征

    本研究提出了一种基于统计学习的无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统，该方法提供了鲁棒的几何感知或几何无关的表示，可用于测量轨迹的基础上进行无偏的动力学比较，并设计了一种具有最先进准确性的解码算法。

    Apr, 2023

  • 用于后处理集合天气预报的神经网络

    本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。

    May, 2018

  • 基于神经模拟的事件集层级推理

    本文介绍了一种利用神经估计器进行概率推断的方法，针对具有层次结构的模型，从实际应用的角度出发，利用粒子碰撞数据和强引力透镜观测数据进行案例研究并得出相应的结论。

    Jun, 2023

  • 利用隐式神经网络从稀疏观测中持续场重构

    本研究采用隐式神经表示方法，从稀疏的传感器数据中可靠地重构物理场。通过将时空变化分解为空间和时间分量，并利用因变量分离技术从稀疏采样的不规则数据点中学习相关基函数，从而发展出数据的连续表示。在实验评估中，该模型在模拟数据和卫星海面温度数据集上表现出优越的重构质量，超过了最近的隐式神经表示方法。

    Jan, 2024

  • 高度相关变量互信息的有效估计

    提出了一种新的相互信息非参数估计值，解决了其他方法基于局部分布均匀性计算相互信息的局限性，对于很少的数据也可以准确地估计两个相关变量之间的相互信息，并且在合成和真实世界数据上表现出卓越的性能。

    Nov, 2014

  • 神经关系推理轨迹重构中的不确定性

    本文扩展了 Factorised Neural Relational Inference 模型，加入了输出每个相空间向量部分的均值和标准差以及相应的损失函数，以解决神经网络在多交互轨迹重建中缺乏输出不确定性估计的问题。本文研究了多种损失函数，包括凸函数和 Bayesian 方法，并且我们发现在考虑不确定性时，变量的物理意义非常重要，且存在难以避免的病态局部最小值问题。

    Jun, 2020

  • 基于依赖图的可伸缩互信息估算

    我们提出了一种新的较低计算复杂度的非参数 MI 估计方法 - Ensemble Dependency Graph Estimator (EDGE)，并证明当密度可微分时可以达到理论最优渐近均方误差收敛速度，并显示其用于信息平面和深度学习中的实用性。

    Jan, 2018

  • 物理学知识指导的神经场方法用于稀疏数据下的烟雾重建

    本文提出了一种方法，通过利用流体的 Navier-Stokes 方程作为答案进行稀疏视频的端到端优化，实现通过 RGB 视频的高保真流体重构。

    Jun, 2022