論文の概要: Deep Particulate Matter Forecasting Model Using Correntropy-Induced Loss
- arxiv url: http://arxiv.org/abs/2106.03032v1
- Date: Sun, 6 Jun 2021 05:17:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 21:55:20.525640
- Title: Deep Particulate Matter Forecasting Model Using Correntropy-Induced Loss
- Title(参考訳): コレントロピー誘導損失を用いた深部粒子状物質予測モデル
- Authors: Jongsu Kim and Changhoon Lee
- Abstract要約: 大気汚染と気象データの統計的特性を解析するために, 回帰(MCCR)損失の最大コレントロピー基準を用いる。
MCCRの損失は、従来の平均2乗誤差損失よりも、極端な値を予測するのに適切である。
- 参考スコア(独自算出の注目度): 1.7797683504485504
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Forecasting the particulate matter (PM) concentration in South Korea has
become urgently necessary owing to its strong negative impact on human life. In
most statistical or machine learning methods, independent and identically
distributed data, for example, a Gaussian distribution, are assumed; however,
time series such as air pollution and weather data do not meet this assumption.
In this study, the maximum correntropy criterion for regression (MCCR) loss is
used in an analysis of the statistical characteristics of air pollution and
weather data. Rigorous seasonality adjustment of the air pollution and weather
data was performed because of their complex seasonality patterns and the
heavy-tailed distribution of data even after deseasonalization. The MCCR loss
was applied to multiple models including conventional statistical models and
state-of-the-art machine learning models. The results show that the MCCR loss
is more appropriate than the conventional mean squared error loss for
forecasting extreme values.
- Abstract(参考訳): 韓国における粒子状物質(PM)濃度の予測は、人命に強い負の影響を与えるため、緊急に必要となっている。
ほとんどの統計学や機械学習では、ガウス分布のような独立分布と同一分布のデータが仮定されるが、大気汚染や気象データのような時系列はこの仮定を満たさない。
本研究では,大気汚染と気象データの統計的特性の解析において,回帰損失の最大コレントロピー基準(MCCR)を用いた。
大気汚染と気象データの厳密な季節調整は,その複雑な季節性パターンと,季節変動後のデータ分布の重み付けにより行った。
MCCR損失は、従来の統計モデルや最先端機械学習モデルを含む複数のモデルに適用された。
その結果,MCCR損失は従来の平均2乗誤差損失よりも極値予測に適していることがわかった。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Temporal Disentangled Contrastive Diffusion Model for Spatiotemporal
Imputation [36.80005620519233]
C$2$TSDは、トレンド情報と季節情報を条件付き特徴として取り入れ、モデル一般化性を改善するために対照的な学習を採用する新しいアプローチである。
3つの実世界のデータセットに対する実験は、様々な最先端ベースラインよりもC$2$TSDの方が優れた性能を示している。
論文 参考訳(メタデータ) (2024-02-18T11:59:04Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models [2.1989764549743476]
地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。
拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
論文 参考訳(メタデータ) (2023-04-23T17:12:33Z) - An Asymmetric Loss with Anomaly Detection LSTM Framework for Power
Consumption Prediction [1.6156983514505385]
住宅セクターの電力消費パターンには変動や異常が含まれており、予測は困難である。
非対称な損失関数を持つ複数のLong Short-Term Memory (LSTM) フレームワークを提案する。
気候や社会要因の影響を考慮すると、フランス、ドイツ、ハンガリーの3つのデータセットで季節分割が行われる。
論文 参考訳(メタデータ) (2023-02-05T17:16:15Z) - A comparative study of statistical and machine learning models on
near-real-time daily emissions prediction [0.0]
二酸化炭素排出量の急激な上昇は、地球温暖化と気候変動の大きな原因である。
本稿は、2020年1月1日から2022年9月30日までの日中排出量予測に適したモデルを選択することを目的とする。
論文 参考訳(メタデータ) (2023-02-02T15:14:27Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-04T18:03:31Z) - Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven
Modeling of Air Pollutants [2.578242050187029]
本研究では,マドリードの大気質を研究するためにデータ駆動技術を用いた実証的アプローチを提案する。
汚染物質の濃度と経時変化をモデル化する常微分方程式の擬似系を見いだす。
以上の結果から, 赤池の情報基準は, 最適部分回帰と連動して, スパーシリティと適合の良さの均衡を見出すことが可能であることが示唆された。
論文 参考訳(メタデータ) (2020-10-13T16:46:07Z)
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。