論文の概要: Predicting Swarm Equatorial Plasma Bubbles via Machine Learning and Shapley Values

• arxiv url: http://arxiv.org/abs/2209.13482v2
• Date: Sat, 30 Sep 2023 18:25:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-03 21:10:18.477689
• Title: Predicting Swarm Equatorial Plasma Bubbles via Machine Learning and Shapley Values
• Title（参考訳）: 機械学習と共有値による群れ赤道プラズマ気泡の予測
• Authors: S. A. Reddy, C. Forsyth, A. Aruliah, A. Smith, J. Bortnik, E. Aa, D. O. Kataria, G. Lewis
• Abstract要約: 我々は,Swarm宇宙船上でIonospheric Bubble Index(IBI)を正確に予測できる機械学習モデルを提案する。 IBIは、赤道プラズマ気泡(EPB)の源となるプラズマ密度と磁場の摂動の相関性である EPBは長年研究されてきたが、その日々の変動により、かなりの課題が予測されている。
• 参考スコア（独自算出の注目度）: 1.8397788973976377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study we present AI Prediction of Equatorial Plasma Bubbles (APE), a machine learning model that can accurately predict the Ionospheric Bubble Index (IBI) on the Swarm spacecraft. IBI is a correlation ($R^2$) between perturbations in plasma density and the magnetic field, whose source can be Equatorial Plasma Bubbles (EPBs). EPBs have been studied for a number of years, but their day-to-day variability has made predicting them a considerable challenge. We build an ensemble machine learning model to predict IBI. We use data from 2014-22 at a resolution of 1sec, and transform it from a time-series into a 6-dimensional space with a corresponding EPB $R^2$ (0-1) acting as the label. APE performs well across all metrics, exhibiting a skill, association and root mean squared error score of 0.96, 0.98 and 0.08 respectively. The model performs best post-sunset, in the American/Atlantic sector, around the equinoxes, and when solar activity is high. This is promising because EPBs are most likely to occur during these periods. Shapley values reveal that F10.7 is the most important feature in driving the predictions, whereas latitude is the least. The analysis also examines the relationship between the features, which reveals new insights into EPB climatology. Finally, the selection of the features means that APE could be expanded to forecasting EPBs following additional investigations into their onset.
• Abstract（参考訳）: 本研究では,Swarm宇宙船のIonospheric Bubble Index(IBI)を正確に予測できる機械学習モデルである赤道プラズマ気泡のAI予測について述べる。 IBIは、プラズマ密度の摂動と、赤道プラズマ気泡(EPB)の源となる磁場との相関(R^2$)である。 EPBは長年研究されてきたが、その日々の変動により、かなりの課題が予測されている。 IBIを予測するためのアンサンブル機械学習モデルを構築した。 2014-22年のデータを1秒の解像度で使用し、対応するPB$R^2$ (0-1) をラベルとして時系列から6次元空間に変換する。 APEはすべての指標に対してよく機能し、それぞれ0.96、0.98、0.08のスキル、アソシエーション、ルート平均二乗誤差スコアを示す。 このモデルは、アメリカと大西洋のセクター、同軸付近、そして太陽活動が高い場合に、最も優れた日没後処理を行う。 EPBはこれらの期間に発生する可能性が高いため、これは有望である。 シェープ値から、F10.7は予測を駆動する上で最も重要な特徴であるが、緯度は最小である。 分析はまた、epb気候学への新たな洞察を明らかにする機能間の関係についても検討している。 最後に、これらの特徴の選択は、ALPが追加調査の結果、EDBを予測できるように拡張できることを意味している。

関連論文リスト

• Matbench Discovery -- A framework to evaluate machine learning crystal stability predictions [2.234359119457391]
  Matbench Discoveryは、安定した無機結晶探索における機械学習(ML)エネルギーモデルの展開をシミュレートする。 i) 熱力学的安定性と生成エネルギーの分離と, (ii) ドメイン内と分布外性能の分離に対処する。
  論文  参考訳（メタデータ） (2023-08-28T22:29:57Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• 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)
• Earthquake Magnitude and b value prediction model using Extreme Learning Machine [2.8935588665357077]
  パラメトリック特徴および非パラメトリック特徴を計算し、非パラメトリック特徴をパラメトリック特徴を用いて算出した。 グテンベルク・リヒター法則、全再帰法、地震エネルギー放出法を用いて、9ドルの地震特性を計算した。 このモデルは堅牢であることが証明され、早期警告システムで実装できる。
  論文  参考訳（メタデータ） (2023-01-23T23:27:22Z)
• Identifying the Causes of Pyrocumulonimbus (PyroCb) [0.49472103277582824]
  ピロCb(極端の山火事から発生する吹雪雲)の観測データから,最初の因果発見分析を行った。 Invariant Causal Predictionは、pyroCb形成の因果的要因を理解するためのツールの開発に使用された。
  論文  参考訳（メタデータ） (2022-11-16T12:42:41Z)
• Photoelectric Factor Prediction Using Automated Learning and Uncertainty Quantification [0.0]
  光電率(PEF)は、異なる種類の貯水池岩を識別するための重要な井戸検層ツールである。 岩石鉱物の比は、PEFログと他の井戸ログを組み合わせることで決定できる。 しかし、古い井戸の丸太やバリウムベースの泥で掘削された井戸など、一部のケースではPEFログが欠落する可能性がある。
  論文  参考訳（メタデータ） (2022-06-17T18:03:38Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• Inference in Bayesian Additive Vector Autoregressive Tree Models [0.0]
  本稿では,Vector Autoregressive(VAR)モデルとBayesian Additive regression Tree(BART)モデルを組み合わせることを提案する。 得られたBAVARTモデルは、研究者から多くを入力することなく、任意の非線形関係をキャプチャすることができる。 我々は、米国の金利構造とユーロ圏経済という2つのデータセットに適用する。
  論文  参考訳（メタデータ） (2020-06-29T19:37:09Z)

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。