Publication

Probabilistic Deep Learning on Spheres for Weather/Climate Applications

2020
Student Projects

Résumé

This work presents the application of a probabilistic approach to an already existing deep learning model for weather and climate prediction. Probabilistic deep learning allows to capture and address the uncertainties related to the data given as input and the uncertainties related to the model itself. Several models are explored : Deep Ensembling, Stochastic Weight Averaging (SWA), Stochastic Weight Averaging Gaussian (SWAG), MultiSWA and MultiSWAG. Experimental results show that using any of the mentioned models outperforms the deterministic, non-probabilistic model.

Source officielle

https://infoscience.epfl.ch/entities/publication/940e47fb-7b24-4517-82a1-6434eb5fb530

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2020
Student Projects

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/940e47fb-7b24-4517-82a1-6434eb5fb530

À propos de ce résultat

Concepts associés (32)

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Prévision numérique du temps

La prévision numérique du temps (PNT) est une application de la météorologie et de l'informatique. Elle repose sur le choix d'équations mathématiques offrant une proche approximation du comportement de l'atmosphère réelle. Ces équations sont ensuite résolues, à l'aide d'un ordinateur, pour obtenir une simulation accélérée des états futurs de l'atmosphère. Le logiciel mettant en œuvre cette simulation est appelé un modèle de prévision numérique du temps.

Temps (météorologie)

Le temps ou la météo est l'ensemble des conditions physiques des basses couches de l'atmosphère à un moment précis et en un point précis. Sont communément associées au temps les conditions météorologiques dont les effets peuvent être directement ressentis : ennuagement ou rayonnement solaire, température, vent, précipitations et également visibilité. L'étude et la prévision du temps s'appellent la météorologie.

Afficher plus

Publications associées (32)

Afficher plus

Probabilistic Deep Learning on Spheres for Weather/Climate Applications

Chattez avec Graph Search

Subseasonal-to-Seasonal strategies for the Earth System Foundation Model (ESFM)

Learning and Control with Generalization and Stability Certificates

Fundamental Limits and Solvable Models of Feature Learning in High-Dimensional Models and Attention Networks