A DNN Framework for Learning Lagrangian Drift With Uncertainty

要約

たとえば、海で失われた物体のラグランジュ ドリフトの再構築は、データ内の未解決の物理現象のため、多くの場合不確実です。
不確実性は通常、ドリフトに確率論を導入することで克服されますが、このアプローチでは不確実性をモデル化するための特定の仮定が必要です。
私たちは、柔軟な環境で確率的ドリフトをモデル化するための純粋にデータ駆動型のフレームワークを提示することで、この制約を取り除きます。
海洋循環モデルのシミュレーションを使用して、物体の初期位置の不確実性をシミュレートすることにより、物体の位置の確率的軌道を生成します。
完全に既知の速度を与えて、確率的ドリフトのエミュレータを 1 日かけて訓練し、数値シミュレーションとの良好な一致を観察しました。
いくつかの損失関数がテストされます。
次に、入力情報が不完全な場合にモデルをトレーニングすることでフレームワークに負担をかけます。
これらのより困難なシナリオでは、目に見えないフロー シナリオに対してモデルを評価するときにデータ ドリフトの影響が顕著になりますが、合理的な予測が観察されます。

要約(オリジナル)

Reconstructions of Lagrangian drift, for example for objects lost at sea, are often uncertain due to unresolved physical phenomena within the data. Uncertainty is usually overcome by introducing stochasticity into the drift, but this approach requires specific assumptions for modelling uncertainty. We remove this constraint by presenting a purely data-driven framework for modelling probabilistic drift in flexible environments. Using ocean circulation model simulations, we generate probabilistic trajectories of object location by simulating uncertainty in the initial object position. We train an emulator of probabilistic drift over one day given perfectly known velocities and observe good agreement with numerical simulations. Several loss functions are tested. Then, we strain our framework by training models where the input information is imperfect. On these harder scenarios, we observe reasonable predictions although the effects of data drift become noticeable when evaluating the models against unseen flow scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google