| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2024-12-20 10:30 深層学習モデルを用いた高速なデータ同化手法 ○小野悠太（東大）・垂水勇太・福田圭祐・前田新一（PFN）  IBISML2024-36 |
|
| 抄録 | （和） | データ同化は観測データの時系列と数値シミュレーションを組み合わせてより正確な状態推定を行う手法である．従来のデータ同化手法はダイナミクスモデルおよび観測モデルのパラメータがすべて既知であるとし，そのモデルに基づいて状態推定を行うが，実際の気象データなどにおいて真のモデルが完全に明らかになることは少ない．本研究では，ニューラルネットワークによりフィルタ分布とスムーザー分布を学習し，真の事後分布を近似する手法を提案する．本手法では，ニューラルネットワーク学習の過程においてダイナミクスモデルと観測モデルに含まれるパラメータも更新することができるため，状態空間モデルの一部パラメータが不確かであるような，より現実的な設定でのデータ同化を実現する． |
| （英） | Data assimilation (DA) is imperative to achieve accurate state estimation from observations and numerical simulations. Although conventional DA methods assume that the dynamics and observation models are known a priori, it is almost impossible to identify all the parameters included in the models and/or the models themselves in practice. We propose a novel DA method that trains filter and smoother distributions represented by neural networks to approximate the true posterior. As our method enables the learning of unknown parameters in the models as well as weights in the neural networks, it can be applied to more realistic DA settings. | |
| キーワード | （和） | データ同化 / ニューラルネットワーク / / / / / / |
| （英） | Data Assimilation / Neural Networks / / / / / / | |
| 文献情報 | 信学技報, vol. 124, no. 321, IBISML2024-36, pp. 34-40, 2024年12月. | |
| 資料番号 | IBISML2024-36 | |
| 発行日 | 2024-12-13 (IBISML) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IBISML2024-36 |
|
| 研究会情報 | |
| 研究会 | IBISML |
| 開催期間 | 2024-12-20 - 2024-12-21 |
| 開催地（和） | 北海道大学大学院環境科学院棟講義室１(D101) |
| 開催地（英） | Lecture room 1 (D101), Graduate School of Environmental Science |
| テーマ（和） | 生成AI、機械学習一般 |
| テーマ（英） | generative AI, machine learning |
| 講演論文情報の詳細 | |
| 申込み研究会 | IBISML |
| 会議コード | 2024-12-IBISML |
| 本文の言語 | 日本語 |
| タイトル（和） | 深層学習モデルを用いた高速なデータ同化手法 |
| サブタイトル（和） | |
| タイトル（英） | Training Deep Neural Networks for Fast Data Assimilation |
| サブタイトル（英） | |
| キーワード(1)（和/英） | データ同化 / Data Assimilation |
| キーワード(2)（和/英） | ニューラルネットワーク / Neural Networks |
| キーワード(3)（和/英） | / |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 小野 悠太 / Yuta Ono / オノ ユウタ |
| 第1著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 第2著者 氏名（和/英/ヨミ） | 垂水 勇太 / Yuta Tarumi / タルミ ユウタ |
| 第2著者 所属（和/英） | Preferred Networks (略称： PFN) Preferred Networks (略称： PFN) |
| 第3著者 氏名（和/英/ヨミ） | 福田 圭祐 / Keisuke Fukuda / フクダ ケイスケ |
| 第3著者 所属（和/英） | Preferred Networks (略称： PFN) Preferred Networks (略称： PFN) |
| 第4著者 氏名（和/英/ヨミ） | 前田 新一 / Shin-ichi Maeda / マエダ シンイチ |
| 第4著者 所属（和/英） | Preferred Networks (略称： PFN) Preferred Networks (略称： PFN) |
| 講演者 | 第1著者 |
| 発表日時 | 2024-12-20 10:30:00 |
| 発表時間 | 20分 |
| 申込先研究会 | IBISML |
| 資料番号 | IBISML2024-36 |
| 巻番号（vol） | vol.124 |
| 号番号（no） | no.321 |
| ページ範囲 | pp.34-40 |
| ページ数 | 7 |
| 発行日 | 2024-12-13 (IBISML) |
[研究会発表申込システムのトップページに戻る]