Формирование дополнительного обучения для временной интерпретации в области научного машинного обучения

arXiv: 261 0366751v1 Annuales Type: New Humber Brieflow: Вычисленные дорогостоящие модели и наблюдения в реальном мире часто дают данные с более низким временным разрешением, чем того требуют задачи вниз по течению. Усредненные наблюдения в стационарных точках сетки могут приводить к ошибкам, а оценки движения сами по себе не определяют изменения значений физического поля. В этой работе мы изучаем вопрос о том, улучшает ли обучение коррекции простой цифровой интерполяции восстановление промежуточных научных областей. Наша модель, интерполятивная "FLow Expert" (iFLEX), сначала оценивает недостающее поле, используя средневзвешенное значение двух наблюдений в каждой точке сетки, придавая больше веса наблюдению ближе к требуемому времени. В ходе обучения вычитание этой оценки из наблюдаемого промежуточного поля дает остаточный результат, который получает модель условного диффузирования. Оба наблюдения определяют модель вместе с целевым временем, интервалом между наблюдениями и имеющимися физическими параметами