.png){kind=icon}
返回
Generative machine learning for multivariate angular simulation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10687-025-00522-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着多元极值的新几何和角-径向框架的最新发展，可靠地模拟中高维空间中的角变量日益重要。经验方法具有简单性的优点，在低维情况下效果尚可，但随着变量数量的增加，它们可能缺乏所需的灵活性和可扩展性。角变量的经典参数模型，如von Mises-Fisher分布（vMF），提供了一种替代方案。利用vMF分布的有限混合可以增加其灵活性，但在某些情况下，如果不显著增加混合成分的数量，固定成分数量的混合模型可能不足以捕捉数据中可能出现的复杂特征。由于具有灵活性，生成式深度学习方法能够捕捉复杂数据结构；因此，它们在多元角变量模拟中具有应用潜力。在本文中，我们针对此任务介绍了一系列深度学习方法，包括生成对抗网络、归一化流和流匹配。我们通过一系列指标评估其性能，并将其与使用vMF分布的有限混合这一更经典的方法进行比较。这些方法也被应用于一个海洋气象数据集，诊断结果指示其表现出色，证明了此类技术适用于现实世界中的复杂数据结构。
Keyword:
Angular simulation
Deep generative models
Multivariate extremes
Neural networks
期刊
E
IF:
2.2
论文数:
17
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容