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

• Using Generative Models to Produce Realistic Populations of the United Kingdom Windstorms [0.0]
  論文は、現実的な合成風速データを生成するための生成モデルの適用を探求する。 標準的なGAN、WGAN-GP、U-net拡散モデルを含む3つのモデルを使用して、イギリスの風図を作成した。 その結果、全てのモデルが一般的な空間特性を捉えるのに有効であるが、それぞれのモデルは異なる強みと弱みを示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-16T19:53:33Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。 我々は多種多様な高次元データにまたがって理論を検証する。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Conditional diffusion models for downscaling & bias correction of Earth system model precipitation [1.5193424827619018]
  本稿では,バイアス補正とダウンスケーリングを同時に行う機械学習フレームワークを提案する。 提案手法は, 統計的忠実性を確保し, 大規模空間パターンを保存し, 既存の手法より優れる。
  論文  参考訳（メタデータ） (2024-04-05T11:01:50Z)
• A Generative Deep Learning Approach for Crash Severity Modeling with Imbalanced Data [6.169163527464771]
  本研究では,条件付きタブラリGANに基づくクラッシュデータ生成手法を提案する。 分類と解釈の性能を推定するために、クラッシュ重大度モデルを用いる。 以上の結果から,CTGAN-RUが生成した合成データを用いた衝突重大度モデリングは,他の再サンプリング法により生成された原データや合成データよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-04-02T16:07:27Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  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,このトレーニング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。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 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 Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• 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。