Conocimiento Bóveda 2/90 - ICLR 2014-2023
Natasha Dudek • Karianne Bergen • Stewart Jamieson • Valentin Tertius Bickel • Will Chapman • Johanna Hansen ICLR 2022 - Taller IA para Ciencias de la Tierra y el Espacio
<Imagen de Resumen >

Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4 | Gemini Adv | Llama 3:

Taller IA para Ciencias de la Tierra
y el Espacio
ICLR 2022
IA para Ciencias de la Tierra y el Espacio
Taller realizado. 1
IA explicable, interpretable y confiable
para ciencias de la tierra. 2
ForecastNet: modelo global de clima
de alta resolución basado en datos. 3
Procesos Gaussianos en grafos para
contaminación del aire a nivel de calle. 4
Red neuronal de wavelet entrenable
para señales no estacionarias. 5
Red neuronal invertible para
ecuaciones de ondas oceánicas. 6
Pronósticos de rendimiento de cultivos usando
representaciones transferidas. 7
Ensamble de red neuronal bayesiana
mejoró predicciones de precipitación. 8
Interpretable LSTM predijo intercambio neto
de CO2 del ecosistema. 9
Capacidades científicas a bordo para
explorar mundos distantes. 10
Redes neuronales de grafos multiescala
para fluidos incompresibles. 11
Simulador de red de grafos híbrido
para flujo subterráneo. 12
Modelo de pronóstico de espectros de ondas Swirlnet
mejorado. 13
Redes neuronales invertibles para
modelos de sistemas terrestres. 14
Modelo ACGP combinó procesos Gaussianos
heterogéneos de salida. 15
Vectores de características del modelo y
Operadores Neuronales de Fourier. 16
Conjunto de datos y referencias de super-resolución
multi-imagen multi-espectral. 17
Estimador de conjunto de aprendizaje por refuerzo
para sistemas de filtrado. 18
Escalado de zona no supervisado de
modelos climáticos. 19
Mejoró el trazado de concentración de hielo marino.
20
Identificación, conteo y descripción de vida silvestre
usando aprendizaje profundo. 21
Aprendizaje por transferencia, aprendizaje activo,
cajas delimitadoras mejoraron el rendimiento. 22
Repositorio LILA para conservación
conjuntos de datos de aprendizaje automático. 23
Aprendizaje social de mapaches de
cajas de rompecabezas estudiado. 24
Técnicas de interpretabilidad evaluadas en
modelos de downscaling climático. 25
Conocimiento del dominio, refinamiento iterativo
para IA explicable. 26
Meta-aprendizaje, cuantificación de incertidumbre prometedora
para IA interpretable. 27
Interpretabilidad para descartar modelos no confiables
y obtener conocimientos. 28
Importancia de la interpretabilidad del modelo destacada
para el potencial de IA. 30

Resumen:

1.-El Taller de IA para Ciencias de la Tierra y el Espacio se llevó a cabo, cubriendo aplicaciones de IA en atmósfera, tierra sólida, espacio, hidrósfera y ecología.

2.-La profesora Amy McGovern dio una conferencia sobre IA explicable, interpretable y confiable para ciencias de la tierra.

3.-ForecastNet es un modelo global de clima de alta resolución basado en datos que utiliza Operadores Neuronales de Fourier y supera a los modelos de predicción numérica del clima.

4.-Se utilizaron procesos Gaussianos en grafos para modelar la contaminación del aire a nivel de calle e identificar comunidades en riesgo de altos niveles de NO2.

5.-Se desarrolló una red neuronal de wavelet entrenable para señales no estacionarias con mejor rendimiento a partir del conocimiento previo de las características de la señal.

6.-Se propuso una red neuronal invertible para ecuaciones de ondas oceánicas para estimar soluciones de manera eficiente y cuantificar incertidumbres de parámetros.

7.-Se generaron pronósticos semanales de rendimiento de cultivos a resoluciones más altas que la disponibilidad de datos de etiquetas utilizando representaciones transferidas.

8.-Un ensamble de red neuronal bayesiana mejoró las predicciones de precipitación aprovechando las escalas que varían espacial y temporalmente de los modelos climáticos individuales.

9.-Una red LSTM interpretable predijo el intercambio neto de CO2 del ecosistema y cuantificó la importancia de las variables para guiar el desarrollo de modelos de ecosistemas terrestres.

10.-Lucas Mandrake discutió las capacidades científicas a bordo para romper las barreras de ancho de banda y ganar la confianza de los científicos de misiones en la exploración de mundos distantes.

11.-Mario Lino presentó redes neuronales de grafos multiescala para capturar de manera eficiente dinámicas no locales en la simulación de fluidos incompresibles.

12.-Talin Wu presentó un simulador de red de grafos híbrido para simulaciones de flujo subterráneo con una aceleración de 2-18x sobre los solucionadores clásicos.

13.-Swirlnet, un modelo de pronóstico de espectros de ondas basado en aprendizaje profundo, fue mejorado usando aprendizaje por transferencia de pronósticos pasados y evaluación en pronósticos reales.

14.-Las redes neuronales invertibles permitieron una estimación precisa y eficiente de las distribuciones de parámetros y simulaciones de modelos para calibrar modelos de sistemas terrestres.

15.-El modelo ACGP combinó la regresión de procesos Gaussianos de salida heterogénea con una estructura DAG aprendida para mejorar la predicción e interpretabilidad.

16.-Antonios Mamouyalakis utilizó vectores de características del modelo y Operadores Neuronales de Fourier para mejorar la inversión de Stokes para la inferencia de la atmósfera solar.

17.-Morvan Ge creó un conjunto de datos y referencias de super-resolución multi-imagen multi-espectral para evaluar modelos en datos realistas de imágenes de tormentas.

18.-Saviz Mowlavi propuso un estimador de conjunto de aprendizaje por refuerzo utilizando políticas no lineales y MDPs aumentados para filtrar sistemas de alta dimensión.

19.-Se realizó un escalado de zona no supervisado de modelos climáticos utilizando priors de imagen profunda para super-resolución de alturas de superficie del mar.

20.-Se mejoró el trazado de concentración de hielo marino utilizando representaciones de funciones de pérdida como regresión o clasificación y balanceo de clases.

21.-La vida silvestre en imágenes de trampas de cámaras fue identificada, contada y descrita automáticamente usando aprendizaje profundo para ayudar en la comprensión ecológica y la conservación.

22.-El aprendizaje por transferencia, el aprendizaje activo y las cajas delimitadoras mejoraron el rendimiento en conjuntos de datos pequeños de trampas de cámaras para monitorear la vida silvestre.

23.-Se creó el repositorio LILA para alojar y distribuir conjuntos de datos de aprendizaje automático para la conservación para pre-entrenar modelos.

24.-El aprendizaje social de mapaches de cajas de rompecabezas está siendo estudiado, pero el seguimiento de individuos en video sigue siendo muy desafiante.

25.-Las técnicas de interpretabilidad fueron evaluadas en modelos de downscaling climático estadístico profundo, encontrando problemas no capturados por métricas de validación tradicionales.

26.-Leilani Gilpin discutió la importancia del conocimiento del dominio y el refinamiento iterativo con expertos para sistemas de IA explicables y críticos para la seguridad.

27.-Andrew Ross sugirió el meta-aprendizaje y la cuantificación de incertidumbre como áreas prometedoras para ML interpretable en ciencias de la tierra más allá de la predicción.

28.-Antonios Mamouyalakis destacó el uso de la interpretabilidad para descartar modelos no confiables y obtener conocimientos sobre el sistema terrestre más allá de la predicción.

29.-La visualización, el descubrimiento de nuevos conceptos y la regresión simbólica fueron discutidos como direcciones emergentes emocionantes en IA interpretable.

30.-El taller destacó la importancia y el futuro de la interpretabilidad del modelo para realizar el potencial de la IA en ciencias de la tierra y el espacio.

Bóveda de Conocimiento construida porDavid Vivancos 2024