用变分自编码器构建数据集合的潜空间，实现可视化与统计分析。
Ensemble Visualization With Variational Autoencoder
- 通过VAE将集合数据转换到潜空间，学习结构化概率表示。
- 潜空间服从标准高斯分布，可计算置信区间与密度估计。
- 适用于气象预报等不确定性分析场景，适合做集合可视化研究者。
我们提出一种新方法，通过在潜空间中构建结构化的概率表示来可视化数据集合，即空间数据特征的低维表示。该方法利用变分自编码器（VAE）对集合的空间特征进行特征空间转换和无监督学习，将数据映射至潜空间。生成的潜空间遵循多元标准高斯分布，从而可进行置信区间解析计算与生成数据的概率分布密度估计。在气象预报集合上的初步实验验证了该方法的有效性与通用性。
原文摘要 · Abstract (English)
We present a new method to visualize data ensembles by constructing structured probabilistic representations in latent spaces, i.e., lower-dimensional representations of spatial data features. Our approach transforms the spatial features of an ensemble into a latent space through feature space conversion and unsupervised learning using a variational autoencoder (VAE). The resulting latent spaces follow multivariate standard Gaussian distributions, enabling analytical computation of confidence intervals and density estimation of the probabilistic distribution that generates the data ensemble. Preliminary results on a weather forecasting ensemble demonstrate the effectiveness and versatility of our method.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。