We aim to tackle these challenges v

We aim to tackle these challenges via a representation that
jointly predicts winds, temperature, pressure, and dew point
across space and time. The proposed architecture combines
a bottom-up predictor for each individual variable with a
top-down deep belief network that models the joint statistical
relationships. Another key component in the framework
is a data-driven kernel, based on a similarity function that
is learned automatically from the data. The kernel is used
to impose long-range dependencies across space and to ensure
that the inferences respect natural laws.We present an
ecient procedure for combining inferences from separate
predictors of local phenomena while considering constraints
imposed by the deep belief network such that the predictions
respect the natural regularities expected with the large-scale
phenomena.

ผลลัพธ์ (ไทย) 1:

เราจะรับมือกับความท้าทายเหล่านี้ผ่านการแสดงที่ร่วมกันทำนายลม อุณหภูมิ ความดัน และจุดน้ำค้างทั่วทั้งพื้นที่และเวลา ผสมผสานของสถาปัตยกรรมที่นำเสนอทำนายล่างสายสำหรับแต่ละตัวแปรแต่ละตัวเครือข่ายความเชื่อลึกบนลงที่รุ่นร่วมทางสถิติความสัมพันธ์ ส่วนประกอบสำคัญอื่นในกรอบเป็นตัวข้อมูลซึ่งเคอร์เนล อิงความคล้ายคลึงกันที่ทำงานที่จะรู้โดยอัตโนมัติจากข้อมูล ใช้เคอร์เนลกำหนดอ้างอิงระยะยาวในพื้นที่ และ เพื่อให้แน่ใจว่า inferences ที่เคารพกฎหมายธรรมชาติ เรานำเสนอการตอน cient e สำหรับการรวม inferences จากแยกทำนายของปรากฏการณ์ในท้องถิ่นโดยพิจารณาถึงข้อจำกัดกำหนด โดยเครือข่ายความเชื่อที่ลึกซึ่งการคาดคะเนเคารพ regularities ธรรมชาติที่คาดว่า มีขนาดใหญ่ปรากฏการณ์นี้

ผลลัพธ์ (ไทย) 2:

เรามุ่งมั่นที่จะรับมือกับความท้าทายเหล่านี้ผ่านทางตัวแทนที่
ร่วมกันคาดการณ์ลมอุณหภูมิความดันและจุดน้ำค้าง
ทั่วพื้นที่และเวลา สถาปัตยกรรมที่นำเสนอรวม
ทำนายด้านล่างขึ้นสำหรับแต่ละตัวแปรบุคคลที่มี
บนลงล่างเครือข่ายความเชื่อลึก ๆ ว่าแบบจำลองทางสถิติร่วมกัน
ความสัมพันธ์ อีกองค์ประกอบสำคัญในกรอบ
เป็นเคอร์เนลที่ขับเคลื่อนด้วยข้อมูลพื้นฐานในการทำงานคล้ายคลึงกันที่
จะเรียนรู้โดยอัตโนมัติจากข้อมูล เคอร์เนลถูกนำมาใช้
จะกำหนดอ้างอิงระยะยาวในแต่ละพื้นที่และเพื่อให้แน่ใจ
ว่าการหาข้อสรุปเคารพกฎของธรรมชาติ

ผลลัพธ์ (ไทย) 3:

เรามุ่งมั่นที่จะรับมือกับความท้าทายเหล่านี้ผ่านทางตัวแทนที่ร่วมกันทำนายลม อุณหภูมิ ความดัน และจุดน้ำค้างผ่านพื้นที่และเวลา เสนอสถาปัตยกรรมผสมผสานต้องสำหรับแต่ละตัวแปรแต่ละตัวด้วยลงลึกเครือข่ายความเชื่อว่านางแบบร่วมสถิติความสัมพันธ์ อีกหนึ่งองค์ประกอบที่สำคัญในกรอบเป็น kernel - ขึ้นอยู่กับฟังก์ชันที่คล้ายคลึงกันเป็นการเรียนรู้โดยอัตโนมัติจากข้อมูล เคอร์เนลที่ใช้เพื่อกำหนดพื้นที่และการอ้างอิงระยะไกลข้ามเพื่อให้แน่ใจว่าที่ใช้ เคารพต่อกฎหมายธรรมชาติ เราเสนอขั้นตอน ecient รวมอนุมานจาก แยกทำนายปรากฏการณ์ท้องถิ่นในขณะที่การพิจารณาข้อ จำกัดที่เรียกเก็บโดยลึกเครือข่ายความเชื่อเช่นที่คาดคะเนเคารพในธรรมชาติคาดว่ามีขนาดใหญ่เกี่ยวกับปรากฏการณ์