論文の概要: Feature Selection on a Flare Forecasting Testbed: A Comparative Study of
24 Methods
- arxiv url: http://arxiv.org/abs/2109.14770v1
- Date: Thu, 30 Sep 2021 00:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-02 06:11:57.176367
- Title: Feature Selection on a Flare Forecasting Testbed: A Comparative Study of
24 Methods
- Title(参考訳): フレア予測テストベッドにおける特徴選択--24手法の比較検討
- Authors: Atharv Yeoleka, Sagar Patel, Shreejaa Talla, Krishna Rukmini
Puthucode, Azim Ahmadzadeh, Viacheslav M. Sadykov, and Rafal A. Angryk
- Abstract要約: SWAN-SFには54のユニークな特徴があり、24の定量的特徴が活動領域の光球磁場マップから計算されている。
本研究では,これらの特徴がフレア予測の野心的な課題に与える影響を定量的に評価する問題を,初めて体系的に攻撃した。
- 参考スコア(独自算出の注目度): 0.7768952514701895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Space-Weather ANalytics for Solar Flares (SWAN-SF) is a multivariate time
series benchmark dataset recently created to serve the heliophysics community
as a testbed for solar flare forecasting models. SWAN-SF contains 54 unique
features, with 24 quantitative features computed from the photospheric magnetic
field maps of active regions, describing their precedent flare activity. In
this study, for the first time, we systematically attacked the problem of
quantifying the relevance of these features to the ambitious task of flare
forecasting. We implemented an end-to-end pipeline for preprocessing, feature
selection, and evaluation phases. We incorporated 24 Feature Subset Selection
(FSS) algorithms, including multivariate and univariate, supervised and
unsupervised, wrappers and filters. We methodologically compared the results of
different FSS algorithms, both on the multivariate time series and vectorized
formats, and tested their correlation and reliability, to the extent possible,
by using the selected features for flare forecasting on unseen data, in
univariate and multivariate fashions. We concluded our investigation with a
report of the best FSS methods in terms of their top-k features, and the
analysis of the findings. We wish the reproducibility of our study and the
availability of the data allow the future attempts be comparable with our
findings and themselves.
- Abstract(参考訳): space-weather analytics for solar flares (swan-sf) は、太陽フレア予測モデルのテストベッドとしてヘリオフィジカルスコミュニティにサービスを提供するために最近作成された多変量時系列ベンチマークデータセットである。
SWAN-SFには54のユニークな特徴があり、24の定量的特徴が活動領域の光球磁場マップから計算され、その先例的なフレア活動を記述する。
本研究では,これらの特徴がフレア予測の野心的な課題に与える影響を定量化する問題を,初めて体系的に攻撃した。
我々は,前処理,特徴選択,評価フェーズのためのエンドツーエンドパイプラインを実装した。
多変量・単変量・教師なし・教師なし・ラッパー・フィルタを含む24種類の特徴サブセット選択アルゴリズムを組み込んだ。
多変量時系列とベクトル化形式の両方で異なるFSSアルゴリズムの結果を方法論的に比較し、その相関関係と信頼性を、一変量および多変量方法で、未確認データに基づくフレア予測のために選択された特徴を用いて可能な限り検証した。
本研究の結論は, 上位Kの特徴と分析から, 最良FSS法に関する報告で締めくくった。
われわれの研究の再現性とデータの入手により、将来の試みは我々の発見とそれ自身に匹敵するものになることを願っている。
関連論文リスト
- Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data [1.024113475677323]
太陽フレアは太陽の磁束の急激な急上昇であり、技術基盤に大きなリスクをもたらす。
本稿では,多変量時系列データに対する新しいコントラクティブ表現学習手法であるConTREXを紹介する。
提案手法は, 太陽フレア (SWAN-SF) 多変量時系列ベンチマークデータセットにおいて, 有望な太陽フレア予測結果を示すものである。
論文 参考訳(メタデータ) (2024-10-01T01:20:47Z) - 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) - 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) - Huge Ensembles Part II: Properties of a Huge Ensemble of Hindcasts Generated with Spherical Fourier Neural Operators [1.8986950987113536]
第1部では,球面ニューラル演算子に基づくアンサンブルを作成した。
第2部では,2023年夏の1日7,424人からなる巨大なアンサンブル(HENS)を生成している。
HENSは予測分布の尾部を正確にサンプリングし、内部変数の詳細なサンプリングを行う。
論文 参考訳(メタデータ) (2024-08-02T21:31:34Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - 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) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳(メタデータ) (2023-12-29T08:42:10Z) - 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) - How to Train Your Flare Prediction Model: Revisiting Robust Sampling of
Rare Events [0.9851812512860351]
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。
論文 参考訳(メタデータ) (2021-03-12T21:37:08Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳(メタデータ) (2020-05-01T07:46:29Z)
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。