Fugu-MT 論文翻訳(概要): Graph Neural Networks for Improved El Ni\~no Forecasting

論文の概要: Graph Neural Networks for Improved El Ni\~no Forecasting

arxiv url: http://arxiv.org/abs/2012.01598v3
Date: Fri, 12 Feb 2021 11:38:16 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 04:07:32.183140
Title: Graph Neural Networks for Improved El Ni\~no Forecasting
Title（参考訳）: 改良El Ni\~no予測のためのグラフニューラルネットワーク
Authors: Salva R\"uhling Cachay, Emma Erickson, Arthur Fender C. Bucker, Ernest Pokropek, Willa Potosnak, Salomey Osei, Bj\"orn L\"utjens
Abstract要約: 我々は,エルニーニョ南部振動(ENSO)を長時間予測するためのグラフニューラルネットワーク(GNN)の応用を提案する。予備的な結果は1ヶ月と3ヶ月前に予測される最先端システムよりも有望で優れています。
参考スコア（独自算出の注目度）: 0.009620910657090186
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning-based models have recently outperformed state-of-the-art seasonal forecasting models, such as for predicting El Ni\~no-Southern Oscillation (ENSO). However, current deep learning models are based on convolutional neural networks which are difficult to interpret and can fail to model large-scale atmospheric patterns called teleconnections. Hence, we propose the application of spatiotemporal Graph Neural Networks (GNN) to forecast ENSO at long lead times, finer granularity and improved predictive skill than current state-of-the-art methods. The explicit modeling of information flow via edges may also allow for more interpretable forecasts. Preliminary results are promising and outperform state-of-the art systems for projections 1 and 3 months ahead.
Abstract（参考訳）: 深層学習に基づくモデルは、El Ni\~no-Southern Oscillation (ENSO)の予測など、最先端の季節予測モデルを上回っている。しかし、現在のディープラーニングモデルは、解釈が困難で、遠隔接続と呼ばれる大規模な大気パターンをモデル化できない畳み込みニューラルネットワークに基づいている。そこで本研究では,時空間グラフニューラルネットワーク(gnn)の長期リード時間におけるenso予測への応用,粒度の向上,予測スキルの向上について述べる。エッジによる情報フローの明示的なモデリングは、より解釈可能な予測を可能にする。予備的な成果は、1ヶ月前と3ヶ月後の投影のための最先端技術システムよりも有望で優れています。

関連論文リスト

Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution and Transformer Networks [47.60320586459432]
ディープラーニングモデルは、1.5年以上前にEl Nino-Southern Oscillation(ENSO)の予測を巧みに予測することができる。本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマーアーキテクチャを組み合わせたDLモデルResoNetを提案する。 ResoNetは、19～26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-16T12:12:31Z)
Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
論文参考訳（メタデータ） (2023-09-18T22:25:12Z)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Significant Wave Height Prediction based on Wavelet Graph Neural Network [2.8383948890824913]
機械学習やディープラーニングモデルを含む「ソフトコンピューティング」アプローチは,近年,多くの成功を収めている。ウェーブレット変換とグラフニューラルネットワークの利点を統合するために、ウェーブレットグラフニューラルネットワーク(WGNN)アプローチを提案する。実験の結果,提案手法は数値モデル,機械学習モデル,深層学習モデルなど,他のモデルよりも優れていることがわかった。
論文参考訳（メタデータ） (2021-07-20T13:34:48Z)
Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文参考訳（メタデータ） (2021-06-24T01:40:17Z)
The World as a Graph: Improving El Ni\~no Forecasts with Graph Neural Networks [0.00916150060695978]
季節予測へのグラフニューラルネットワークの最初の応用を提案する。当社のモデルであるGraphinoは、最先端のディープラーニングベースのモデルで最大6ヶ月の予測を上回ります。
論文参考訳（メタデータ） (2021-04-11T19:55:55Z)
A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文参考訳（メタデータ） (2020-10-27T17:56:14Z)
SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文参考訳（メタデータ） (2020-07-08T20:33:10Z)
Industrial Forecasting with Exponentially Smoothed Recurrent Neural Networks [0.0]
本稿では,産業応用における非定常力学系のモデル化に好適な指数的スムーズなリカレントニューラルネットワーク(RNN)のクラスを提案する。指数スムーズなRNNの電力負荷、気象データ、株価予測への応用は、多段階時系列予測における隠れ状態の指数スムーズ化の有効性を強調している。
論文参考訳（メタデータ） (2020-04-09T17:53:49Z)

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。