論文の概要: Improving Solar Flare Prediction by Time Series Outlier Detection
- arxiv url: http://arxiv.org/abs/2206.07197v1
- Date: Tue, 14 Jun 2022 22:54:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 11:19:06.750299
- Title: Improving Solar Flare Prediction by Time Series Outlier Detection
- Title(参考訳): 時系列異常検出による太陽フレア予測の改善
- Authors: Junzhi Wen, Md Reazul Islam, Azim Ahmadzadeh, Rafal A. Angryk
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.0131895986034316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solar flares not only pose risks to outer space technologies and astronauts'
well being, but also cause disruptions on earth to our hight-tech,
interconnected infrastructure our lives highly depend on. While a number of
machine-learning methods have been proposed to improve flare prediction, none
of them, to the best of our knowledge, have investigated the impact of outliers
on the reliability and those models' performance. In this study, we investigate
the impact of outliers in a multivariate time series benchmark dataset, namely
SWAN-SF, on flare prediction models, and test our hypothesis. That is, there
exist outliers in SWAN-SF, removal of which enhances the performance of the
prediction models on unseen datasets. We employ Isolation Forest to detect the
outliers among the weaker flare instances. Several experiments are carried out
using a large range of contamination rates which determine the percentage of
present outliers. We asses the quality of each dataset in terms of its actual
contamination using TimeSeriesSVC. In our best finding, we achieve a 279%
increase in True Skill Statistic and 68% increase in Heidke Skill Score. The
results show that overall a significant improvement can be achieved to flare
prediction if outliers are detected and removed properly.
- Abstract(参考訳): 太陽フレアは宇宙技術や宇宙飛行士の健康にリスクをもたらすだけでなく、我々の生活に大きく依存するハイテクで相互接続されたインフラに地球を混乱させます。
フレア予測を改善するために多くの機械学習手法が提案されているが、我々の知る限りでは、外れ値が信頼性とそれらのモデルの性能に与える影響は調査されていない。
本研究では,多変量時系列ベンチマークデータセット,すなわちSWAN-SFがフレア予測モデルに与える影響を調査し,我々の仮説を検証した。
すなわち、SWAN-SFには外れ値が存在するため、不要なデータセットの予測モデルの性能が向上する。
我々は、弱いフレアインスタンスの外れ値を検出するために分離フォレストを用いる。
多数の汚染率を用いて、現在ある異常値の比率を決定する実験がいくつか行われている。
TimeSeriesSVCを使った実際の汚染の観点から、各データセットの品質を評価します。
最も良い発見は、True Skill Statisticの279%、Heidke Skill Scoreの68%の増加です。
その結果,アウトレーヤの検出と除去を適切に行うと,フラア予測に大幅な改善が得られた。
関連論文リスト
- Robust Calibration For Improved Weather Prediction Under Distributional
Shift [3.6248657646376707]
本研究では,ロバスト性・不確実性に関するテキストシフトチャレンジの一環として,領域外気象予測の改善と不確実性評価を行う。
我々は,コンピュータビジョン領域から借用した高度なデータ拡張技術と専門家の混在を利用して,予測不確かさの堅牢なテキスト・ポスト・ホック・キャリブレーションと組み合わせることで,より正確でより良い校正結果が得られることを見出した。
論文 参考訳(メタデータ) (2024-01-08T01:29:56Z) - Predicting Survival Time of Ball Bearings in the Presence of Censoring [44.99833362998488]
本研究では,ボール軸受の故障時期を生存解析を用いて予測する新しい手法を提案する。
我々は、周波数領域におけるベアリングデータを解析し、Kullback-Leiblerの発散と標準偏差を比較することで、ベアリングが故障した場合にアノテートする。
我々は、注釈付きデータに基づいて失敗する時間を推定するために、いくつかの生存モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T08:30:31Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - LMD: Light-weight Prediction Quality Estimation for Object Detection in
Lidar Point Clouds [3.927702899922668]
Lidarのクラウドデータのオブジェクト検出は、自動運転とロボット工学にとって有望な技術だ。
不確実性推定は下流タスクにとって重要な要素であり、ディープニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。
予測品質推定のための軽量後処理方式LidarMetaDetectを提案する。
本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
論文 参考訳(メタデータ) (2023-06-13T15:13:29Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - 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) - Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。
本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。
本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
論文 参考訳(メタデータ) (2022-05-31T10:35:55Z) - Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。
本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。
ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文 参考訳(メタデータ) (2021-12-15T15:17:02Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳(メタデータ) (2021-09-30T19:19:09Z) - All-Clear Flare Prediction Using Interval-based Time Series Classifiers [0.21028463367241026]
オールクリアフレア予測は、非フレアインスタンスの予測に重点を置く太陽フレア予測の一種です。
偽陰性(ミス)を避けることと偽陽性(偽アラーム)を減らすことの適切なバランスを見つけることは、しばしば困難である。
論文 参考訳(メタデータ) (2021-05-03T22:40:05Z) - 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)
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。