要旨：モデルの不一致により、単一の校正パラメータだけでは文脈領域全体にわたる物理的応答を再現できない場合があります。さらに、観測値や文脈における不確実性も校正に影響を及ぼすため、これらを考慮し定量化する必要があります。私たちは、目標とする文脈への近接度に基づいて観測尤度に重み付けすることで、局所化された事後分布の族を構築します。ガウス型の局所化重みは、共分散の膨張を通じて文脈の不確実性を組み込み、領域境界での反射処理および不均一な文脈サンプリングに対するオプションの補正機能を備えています。条件付き正規化フローを用いたアモルティズド変分推論によって、この事後分布の族を近似します。所定の文脈測度の下で局所化された事後分布を統合することで、周辺化されたパラメータ分布が得られます。Branin-Hooモデルを用いたツイン実験において、均一および歪んだ文脈分布条件下でのグローバル推論と局所化推論を比較しました。局所化により、グローバル事後分布に比べて報告される総合的な予測誤差が低減することが示されました。また、大気表面強制を文脈として用いた単一列海洋モデルにおけるk-ε乱流閉鎖手法への適用例では、局所化された事後分布による校正が、決定論的およびグローバル事後分布による校正に比べて温度および経度方向速度の誤差を低減することを示しています。両方のツイン実験とも、局所的な補償を許容するように設計されています。
主題：| 人工知能（cs.AI）；機械学習（cs.LG）；機械学習（stat.ML） 引用形式：| arXiv:2610.37731 [cs.AI] | （または
arXiv:2610.37731v1 [cs.AI] このバージョン） | https://doi.org/10.48550/arXiv.2610.37731
詳しく学ぶためにフォーカス
DataCite経由のarXiv発行DOI（登録待ち）
投稿履歴
論文へのアクセス：
PDFを表示
TeXソース
追加機能
音声要約
現在の閲覧コンテキスト：
参考文献・引用
Google Scholar
Semantic Scholar
ブックマーク
機関
arXivLabsは、共同作業者が当社のウェブサイト上で新しいarXiv機能を直接開発・共有できるフレームワークです。
arXivLabsを利用する個人および組織は、オープン性、コミュニティ、卓越性、そしてユーザーデータのプライバシーという当社の価値観を積極的に受け入れ、尊重しています。arXivはこれらの価値観に固くコミットしており、それらを遵守するパートナーのみと協力しています。
arXivのコミュニティに価値をもたらすプロジェクトのアイデアをお持ちですか？arXivLabsについて詳しくご覧ください。