Fugu-MT 論文翻訳(概要): How to Train Your Flare Prediction Model: Revisiting Robust Sampling of Rare Events

論文の概要: How to Train Your Flare Prediction Model: Revisiting Robust Sampling of Rare Events

arxiv url: http://arxiv.org/abs/2103.07542v1
Date: Fri, 12 Mar 2021 21:37:08 GMT
ステータス: 処理完了
システム内更新日: 2021-03-18 10:45:34.522540
Title: How to Train Your Flare Prediction Model: Revisiting Robust Sampling of Rare Events
Title（参考訳）: フレア予測モデルのトレーニング方法:レアイベントのロバストサンプリングを再検討
Authors: Azim Ahmadzadeh, Berkay Aydin, Manolis K. Georgoulis, Dustin J. Kempton, Sushant S. Mahajan, and Rafal A. Angryk
Abstract要約: 本稿では,メタデータの特徴時系列による太陽フレア予測のケーススタディとして,顕著なクラス不均衡と時間的コヒーレントな問題として扱う。時系列予測における連続性の要求によって引き起こされる時間的コヒーレンスの概念を概観し、この効果の適切な理解の欠如がモデルの性能を飛躍的に向上させることを示した。これらの課題に対する主要な改善策を再考し、これらの改善がパフォーマンスに与える影響を正確に示すいくつかの実験を示す。
参考スコア（独自算出の注目度）: 0.9851812512860351
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a case study of solar flare forecasting by means of metadata feature time series, by treating it as a prominent class-imbalance and temporally coherent problem. Taking full advantage of pre-flare time series in solar active regions is made possible via the Space Weather Analytics for Solar Flares (SWAN-SF) benchmark dataset; a partitioned collection of multivariate time series of active region properties comprising 4075 regions and spanning over 9 years of the Solar Dynamics Observatory (SDO) period of operations. We showcase the general concept of temporal coherence triggered by the demand of continuity in time series forecasting and show that lack of proper understanding of this effect may spuriously enhance models' performance. We further address another well-known challenge in rare event prediction, namely, the class-imbalance issue. The SWAN-SF is an appropriate dataset for this, with a 60:1 imbalance ratio for GOES M- and X-class flares and a 800:1 for X-class flares against flare-quiet instances. We revisit the main remedies for these challenges and present several experiments to illustrate the exact impact that each of these remedies may have on performance. Moreover, we acknowledge that some basic data manipulation tasks such as data normalization and cross validation may also impact the performance -- we discuss these problems as well. In this framework we also review the primary advantages and disadvantages of using true skill statistic and Heidke skill score, as two widely used performance verification metrics for the flare forecasting task. In conclusion, we show and advocate for the benefits of time series vs. point-in-time forecasting, provided that the above challenges are measurably and quantitatively addressed.
Abstract（参考訳）: 本稿では,メタデータの特徴時系列による太陽フレア予測のケーススタディとして,顕著なクラス不均衡と時間的コヒーレントな問題として扱う。太陽活動領域のプレフレア時系列をフルに活用することは、SDO (Space Weather Analytics for Solar Flares) ベンチマークデータセットによって可能であり、4075領域から9年間にわたる太陽ダイナミクス観測所 (Solar Dynamics Observatory) の運用期間の多変量時系列の分割されたコレクションである。時系列予測における連続性の要求によって引き起こされる時間的コヒーレンスの概念を概観し、この効果の適切な理解の欠如がモデルの性能を飛躍的に向上させることを示した。さらに,希少事象予測における新たな課題であるクラス不均衡問題にも対処する。 SWAN-SFは、GOES M級とX級のフレアに対する60:1の不均衡比と、フレアキートインスタンスに対するX級フレアに対する800:1である。これらの課題に対する主要な改善策を再考し、これらの改善がパフォーマンスに与える影響を正確に示すいくつかの実験を示す。さらに、データ正規化やクロスバリデーションといった基本的なデータ操作タスクがパフォーマンスにも影響を与える可能性があることを認めます。このフレームワークでは、フレア予測タスクで広く使われている2つのパフォーマンス検証指標として、true skill statisticとheidke skill scoreを使用する主な利点と欠点をレビューする。結論として,上記の課題が測定可能かつ定量的に解決されることを前提として,時系列とポイントインタイム予測の利点を提示し,提唱する。

関連論文リスト

Towards Hybrid Embedded Feature Selection and Classification Approach with Slim-TSF [0.0]
本研究の目的は、太陽フレアとその起源領域の隠れた関係と進化的特性を明らかにすることである。 True Skill Statistic (TSS) とHeidke Skill Score (HSS) の双方で平均5%の増加が認められた。
論文参考訳（メタデータ） (2024-09-06T18:12:05Z)
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文参考訳（メタデータ） (2024-07-02T20:14:32Z)
Enhancing reliability in prediction intervals using point forecasters: Heteroscedastic Quantile Regression and Width-Adaptive Conformal Inference [0.0]
一組のインターバルを評価する際には、従来の対策だけでは不十分である、と我々は主張する。間隔は長さによって変化しなければならないが、この変化は予測の難しさに直接関係している。本稿では,HQRモデルとWidth-Adaptive Conformal Inference(WACI)手法を提案する。
論文参考訳（メタデータ） (2024-06-21T06:51:13Z)
How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
論文参考訳（メタデータ） (2024-06-20T15:18:52Z)
Active Region-based Flare Forecasting with Sliding Window Multivariate Time Series Forest Classifiers [0.0]
我々は、高次元データに使用される複雑で理解できないブラックボックスモデルと関連するサブインターバルの探索の間のギャップを橋渡しする。本研究は, 太陽フレア予測において, 風下時系列森林分類器が有効であることを示す。
論文参考訳（メタデータ） (2024-02-05T19:34:12Z)
Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文参考訳（メタデータ） (2023-10-24T22:59:56Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
Understanding the Impact of Competing Events on Heterogeneous Treatment Effect Estimation from Time-to-Event Data [92.51773744318119]
本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。 HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
論文参考訳（メタデータ） (2023-02-23T14:28:55Z)
Improving Solar Flare Prediction by Time Series Outlier Detection [1.0131895986034316]
信頼性とモデルの性能の異常値です我々は、より弱いフレアの事例のうちの外れ値を検出するために、孤立林を用いている。我々は,真のスキル統計の279%,ハイドケスキルスコアの68%を達成している。
論文参考訳（メタデータ） (2022-06-14T22:54:39Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)

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。