MAPress
مقاله ForcingDAS: ادغام داده یکپارچه و مقاوم از طریق نیروی انتشار

مقاله ForcingDAS: ادغام داده یکپارچه و مقاوم از طریق نیروی انتشار

تلفیق داده (DA) حالت یک سیستم دینامیکی در حال تحول را از مشاهدات نویزی و جزئی تخمین می‌زند و به طور گسترده در شبیه‌سازی علمی و همچنین علوم آب و هوا و اقلیم مورد استفاده قرار می‌گیرد. در عمل، روش‌های ف...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

ForcingDAS: ادغام داده یکپارچه و مقاوم از طریق نیروی انتشار

ForcingDAS: Unified and Robust Data Assimilation via Diffusion Forcing

نویسندگان: Yixuan Jia, Siyi Chen, Yida Pan, Xiao Li, Lianghe Shi, Chanyong Jung, Haijie Yuan, Ismail Alkhouri, Yue Cynthia Wu, Saiprasad Ravishankar, Jeffrey A Fessler, Qing Qu

شناسه منبع: arxiv / 2605.14285v1

دسته: eess.IV,cs.LG

چکیده (فارسی)

تلفیق داده (DA) حالت یک سیستم دینامیکی در حال تحول را از مشاهدات نویزی و جزئی تخمین می‌زند و به طور گسترده در شبیه‌سازی علمی و همچنین علوم آب و هوا و اقلیم مورد استفاده قرار می‌گیرد. در عمل، روش‌های فیلترینگ به مدل‌های گذار فریم به فریم متکی هستند. با این حال، این مدل‌ها زمانی که مشاهدات غیر مارکوفی باشند (زمانی که تنها بخش جزئی از یک حالت پنهان با ابعاد بالاتر را تشکیل می‌دهند، مانند داده‌های واقعی آب و هوا) شکننده هستند: آنها تمایل به انباشت خطا در افق‌های طولانی دارند. در عین حال، روش‌های تلفیق داده آموخته شده معمولاً به یک رژیم واحد، چه فیلترینگ (پیش‌بینی کوتاه‌مدت، پیش‌بینی در زمان واقعی) و چه هموارسازی (بازتحلیل گذشته‌نگر)، متعهد می‌شوند که آنچه باید یک پیشین مشترک باشد را در خطوط لوله خاص برنامه تقسیم می‌کند. برای پرداختن به هر دو مسئله، ما ForcingDAS، یک چارچوب تلفیق داده یکپارچه و قوی را معرفی می‌کنیم. ForcingDAS که بر اساس Diffusion Forcing با سطح نویز مستقل اختصاص داده شده به هر فریم ساخته شده است، یک پیشین مسیر مشترک را به جای گذارهای فریم به فریم می‌آموزد. این امر به آن اجازه می‌دهد تا وابستگی‌های زمانی طولانی‌مدت را ثبت کرده و انباشت خطا را کاهش دهد. علاوه بر این، همان مدل آموزش‌دیده، طیف کامل فیلترینگ تا هموارسازی را در زمان استنتاج پوشش می‌دهد. به طور خاص، پیش‌بینی کوتاه‌مدت، هموارسازی با تاخیر ثابت و بازتحلیل دسته‌ای تنها از طریق برنامه استنتاج، بدون نیاز به آموزش مجدد، انتخاب می‌شوند. ما ForcingDAS را بر روی گرداب ناویه-استوکس دوبعدی، پیش‌بینی کوتاه‌مدت بارش و تخمین حالت جوی جهانی ارزیابی می‌کنیم. در تمام تنظیمات، یک مدل واحد با مدل‌های پایه آموخته شده و کلاسیک که برای رژیم‌های فردی تخصصی شده‌اند، رقابت می‌کند یا از آنها بهتر عمل می‌کند، و بیشترین سود در معیارهای واقعی آب و هوا مشاهده می‌شود.

Abstract (English)

Data assimilation (DA) estimates the state of an evolving dynamical system from noisy, partial observations, and is widely used in scientific simulation as well as weather and climate science. In practice, filtering methods rely on frame-to-frame transition models. However, these models are fragile when observations are non-Markovian (when they form only a partial slice of a higher-dimensional latent state as in real-world weather data): they tend to accumulate errors over long horizons. At the same time, learned DA methods typically commit to a single regime, either filtering (nowcasting, real-time forecasting) or smoothing (retrospective reanalysis), which splits what should be a shared prior across application-specific pipelines. To address both issues, we introduce ForcingDAS, a unified and robust DA framework. Built on Diffusion Forcing with an independent noise level assigned to each frame, ForcingDAS learns a joint-trajectory prior instead of frame-to-frame transitions. This allows it to capture long-horizon temporal dependencies and reduce error accumulation. In addition, the same trained model spans the full filtering to smoothing spectrum at inference time. Specifically, nowcasting, fixed-lag smoothing, and batch reanalysis are selected through the inference schedule alone, without retraining. We evaluate ForcingDAS on 2D Navier-Stokes vorticity, precipitation nowcasting, and global atmospheric state estimation. Across all settings, a single model is competitive with or outperforms both learned and classical baselines that are specialized for individual regimes, with the largest gains observed on real-world weather benchmarks.

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.