論文の概要: Generative machine learning methods for multivariate ensemble post-processing

• arxiv url: http://arxiv.org/abs/2211.01345v2
• Date: Thu, 1 Feb 2024 08:29:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-02 20:16:02.235146
• Title: Generative machine learning methods for multivariate ensemble post-processing
• Title（参考訳）: 多変量アンサンブル後処理のための生成機械学習手法
• Authors: Jieyu Chen, Tim Janke, Florian Steinke, Sebastian Lerch
• Abstract要約: 生成機械学習に基づく非パラメトリックなデータ駆動分散回帰モデルを提案する。 2つのケーススタディにおいて、我々の生成モデルは最先端の手法よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 2.266704492832475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble weather forecasts based on multiple runs of numerical weather prediction models typically show systematic errors and require post-processing to obtain reliable forecasts. Accurately modeling multivariate dependencies is crucial in many practical applications, and various approaches to multivariate post-processing have been proposed where ensemble predictions are first post-processed separately in each margin and multivariate dependencies are then restored via copulas. These two-step methods share common key limitations, in particular the difficulty to include additional predictors in modeling the dependencies. We propose a novel multivariate post-processing method based on generative machine learning to address these challenges. In this new class of nonparametric data-driven distributional regression models, samples from the multivariate forecast distribution are directly obtained as output of a generative neural network. The generative model is trained by optimizing a proper scoring rule which measures the discrepancy between the generated and observed data, conditional on exogenous input variables. Our method does not require parametric assumptions on univariate distributions or multivariate dependencies and allows for incorporating arbitrary predictors. In two case studies on multivariate temperature and wind speed forecasting at weather stations over Germany, our generative model shows significant improvements over state-of-the-art methods and particularly improves the representation of spatial dependencies.
• Abstract（参考訳）: 複数の気象予測モデルに基づくアンサンブル気象予報は、一般に系統的な誤りを示し、信頼できる予報を得るためには後処理を必要とする。 多変量依存の正確なモデリングは多くの実用アプリケーションにおいて重要であり、各マージンでアンサンブル予測を個別に後処理し、多変量依存をコプラで復元する多変量後処理への様々なアプローチが提案されている。 これらの2ステップメソッドは共通の制限を共有しており、特に依存関係のモデリングにおいて追加の予測器を含めることが困難である。 これらの課題に対処するために,生成機械学習に基づく多変量後処理手法を提案する。 この非パラメトリックなデータ駆動分布回帰モデルでは、生成ニューラルネットワークの出力として、多変量予測分布からのサンプルを直接取得する。 生成データと観測データとの差を測定する適切なスコアリングルールを最適化し、外部入力変数を条件として生成モデルを訓練する。 本手法では,一変量分布や多変量依存に関するパラメトリックな仮定は必要とせず,任意の予測器を組み込むことができる。 ドイツ各地の気象観測所における多変量温度と風速予測に関する2つのケーススタディにおいて,この生成モデルは最先端の手法よりも大幅に改善し,特に空間依存性の表現を改善している。

関連論文リスト

• Calibrated Multivariate Regression with Localized PIT Mappings [4.277516034244117]
  本稿では,多変量キャリブレーションに対処するポストホックリカレーション手法を提案する。 このアプローチの2つのバージョンを示す: 1つはK-アネレスト近傍を使い、もう1つは正規化フローを使用する。 本研究では,インドにおける小児栄養失調の回帰モデルの改善と,深層ニューラルネットワークの通貨為替レート予測の緩和という,2つの実データ応用に対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-09-17T02:41:03Z)
• Partial-Multivariate Model for Forecasting [28.120094495344453]
  本稿では,問題予測のためのトランスフォーマーに基づく部分多変量モデルPMformerを提案する。 PMformerは様々な単変量モデルと完全多変量モデルより優れていることを示す。 また、PMformerの他の利点として、機能不足による効率性と堅牢性を強調します。
  論文  参考訳（メタデータ） (2024-08-19T05:18:50Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Bayesian Sparse Regression for Mixed Multi-Responses with Application to Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
  フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。 予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。 本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
  論文  参考訳（メタデータ） (2022-10-10T16:14:08Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• 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)
• Machine Learning for Multi-Output Regression: When should a holistic multivariate approach be preferred over separate univariate ones? [62.997667081978825]
  ランダムフォレストのような木に基づくアンサンブルは、統計学の手法の中で近代的な古典である。 これらの手法を広範囲なシミュレーションで比較し,多変量アンサンブル技術を用いた場合の主問題に答える。
  論文  参考訳（メタデータ） (2022-01-14T08:44:25Z)
• CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
  本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。 多様なデータソースから表現と不確実性を学ぶことができる。 動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:47Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows [8.859284959951204]
  時系列予測は科学的・工学的な問題の基本である。 深層学習法はこの問題に適している。 多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
  論文  参考訳（メタデータ） (2020-02-14T16:16:51Z)

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。