跳到主要内容
检索

# 协方差估计

2 篇关联报道

订阅更新
  1. arXiv

    GraphCast只负责演化集合扰动：一个月真实观测循环中，背景误差不输物理模式

    把机器学习天气预报模型GraphCast放进真实资料同化循环，只让它演化集合扰动、均值仍由物理模式MPAS给出，一个月内集合离散度与协方差结构和纯物理模式基准相当，EnVar背景对GFS分析的RMSE在模式层40以下持续更低，模式顶附近则因插值外推出现退化。

    Simon Toedtli（第一作者）
    GraphCast数据同化协方差估计机器学习天气预报
  2. arXiv

    分层谱收缩（HSS）在合成实验与多研究基因表达数据上优于独立、完全合并与共享子空间估计

    作者提出分层谱收缩（HSS），一种经验贝叶斯框架，将各任务的主导谱方向朝数据自适应学习的公共基收缩，收缩强度按任务与谱分量变化，估计量是替代贝叶斯回归中奇异向量的后验均值；在合成实验与三套免疫细胞基因表达数据（样本量156、628、146）中，HSS在估计精度与样本外表现上优于独立、完全合并与共享子空间方法。

    Duke University
    Lorenzo Mauri（第一作者、通讯作者）
    层次谱收缩经验贝叶斯协方差估计因子模型奇异值分解

已读完全部报道