論文の概要: Interpreting LSTM Prediction on Solar Flare Eruption with Time-series Clustering

• arxiv url: http://arxiv.org/abs/1912.12360v2
• Date: Mon, 9 Mar 2020 21:36:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 22:57:49.128978
• Title: Interpreting LSTM Prediction on Solar Flare Eruption with Time-series Clustering
• Title（参考訳）: 時系列クラスタリングによる太陽フレア噴火のLSTM予測の解釈
• Authors: Hu Sun (1), Ward Manchester (2), Zhenbang Jiao (1), Xiantong Wang (2), Yang Chen (1 and 3) ((1) Department of Statistics, University of Michigan, Ann Arbor, (2) Climate and Space Sciences and Engineering, University of Michigan, Ann Arbor, (3) Michigan Institute for Data Science, University of Michigan, Ann Arbor)
• Abstract要約: 本研究では,Long Short Term Memory (LSTM)モデルによる太陽フレア予測のポストホック解析を行った。 LSTMモデルを用いて二分分類を行い,次の時間に発生するM/Xクラスフレアの確率を予測する。 我々の研究は、SHARPパラメータのサブセットが、強い太陽フレアの噴火が差し迫っている重要な信号を含んでいることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We conduct a post hoc analysis of solar flare predictions made by a Long Short Term Memory (LSTM) model employing data in the form of Space-weather HMI Active Region Patches (SHARP) parameters calculated from data in proximity to the magnetic polarity inversion line where the flares originate. We train the the LSTM model for binary classification to provide a prediction score for the probability of M/X class flares to occur in next hour. We then develop a dimension-reduction technique to reduce the dimensions of SHARP parameter (LSTM inputs) and demonstrate the different patterns of SHARP parameters corresponding to the transition from low to high prediction score. Our work shows that a subset of SHARP parameters contain the key signals that strong solar flare eruptions are imminent. The dynamics of these parameters have a highly uniform trajectory for many events whose LSTM prediction scores for M/X class flares transition from very low to very high. The results demonstrate the existence of a few threshold values of SHARP parameters that when surpassed indicate a high probability of the eruption of a strong flare. Our method has distilled the knowledge of solar flare eruption learnt by deep learning model and provides a more interpretable approximation, which provides physical insight to processes driving solar flares.
• Abstract（参考訳）: 長期短期記憶モデル(lstm)による太陽フレア予測のポストホック解析を行い、フレアの発生源である磁極反転線近傍のデータから算出した空間平均hmi能動領域パッチ(sharp)パラメータを用いて解析した。 LSTMモデルを用いて二分分類を行い,次の時間に発生するM/Xクラスフレアの確率を予測する。 そこで我々は,シャープパラメータ(lstm入力)の次元を削減し,シャープパラメータの異なるパターンを低値から高い予測スコアへ変換する次元還元手法を開発した。 我々の研究は、SHARPパラメータのサブセットが、強い太陽フレアの噴火が差し迫っている重要な信号を含んでいることを示している。 これらのパラメータの力学は、M/XクラスフレアのLSTM予測スコアが非常に低い値から非常に高い値に遷移する多くの事象に対して非常に均一な軌道を持つ。 その結果,強いフレアが噴出する確率が高いことを示す鋭いパラメータのしきい値がいくつか存在することが示された。 提案手法は, 深層学習モデルで学習した太陽フレア噴火の知識を蒸留し, より解釈可能な近似を行い, 太陽フレアを駆動する過程の物理的知見を提供する。

関連論文リスト

• Enhancing Multivariate Time Series-based Solar Flare Prediction with Multifaceted Preprocessing and Contrastive Learning [0.9374652839580181]
  正確な太陽フレア予測は、宇宙飛行士、宇宙機器、衛星通信システムに強い太陽フレアがもたらす重大なリスクのために重要である。 本研究は、先進的なデータ前処理と分類手法を利用して、太陽フレア予測を強化する。
  論文  参考訳（メタデータ） (2024-09-21T05:00:34Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Beam Prediction based on Large Language Models [51.45077318268427]
  ミリ波(mmWave)通信は次世代無線ネットワークに期待できるが、パス損失は大きい。 長短期記憶(LSTM)のような従来のディープラーニングモデルでは、ビーム追跡精度が向上するが、ロバスト性や一般化が不足している。 本稿では,大規模言語モデル(LLM)を用いて,ビーム予測の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-08-16T12:40:01Z)
• Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
  本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。 SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。 DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
  論文  参考訳（メタデータ） (2024-04-03T08:18:45Z)
• Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning [38.321248253111776]
  我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。 データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
  論文  参考訳（メタデータ） (2024-03-04T23:12:17Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Explaining Full-disk Deep Learning Model for Solar Flare Prediction using Attribution Methods [0.6882042556551611]
  本研究では,太陽フレア予測モデルを提案する。 実際のスキル統計(TSS)とハイドケスキルスコア(HSS)を用いて、モデル全体の性能を評価する。 我々の分析では、太陽フレアのフルディスク予測が活動領域(AR)の特徴と一致していることが判明した。
  論文  参考訳（メタデータ） (2023-07-29T03:18:56Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Solar Flare Index Prediction Using SDO/HMI Vector Magnetic Data Products with Statistical and Machine Learning Methods [6.205102537396887]
  太陽フレア、特にMクラスとXクラスのフレアは、しばしばコロナ質量放出(CME)と関連している。 本稿では,ARのフレア生産性を定量化する,ARのフレア指数(Frare Index,FI)の予測に対する統計的および機械学習のアプローチを紹介する。
  論文  参考訳（メタデータ） (2022-09-28T02:13:33Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。