論文の概要: Pitfalls of Climate Network Construction: A Statistical Perspective
- arxiv url: http://arxiv.org/abs/2211.02888v1
- Date: Sat, 5 Nov 2022 11:59:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 16:02:11.186909
- Title: Pitfalls of Climate Network Construction: A Statistical Perspective
- Title(参考訳): 気候ネットワーク構築の落とし穴:統計的展望
- Authors: Moritz Haas, Bedartha Goswami, Ulrike von Luxburg
- Abstract要約: 球面上の時間依存等方性確率場をシミュレートし,共通ネットワーク構築手法を適用した。
推定手順から生じる不確実性が,ネットワーク特性に大きく影響を与える方法がいくつか見出された。
- 参考スコア(独自算出の注目度): 13.623860700196625
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Network-based analyses of dynamical systems have become increasingly popular
in climate science. Here we address network construction from a statistical
perspective and highlight the often ignored fact that the calculated
correlation values are only empirical estimates. To measure spurious behaviour
as deviation from a ground truth network, we simulate time-dependent isotropic
random fields on the sphere and apply common network construction techniques.
We find several ways in which the uncertainty stemming from the estimation
procedure has major impact on network characteristics. When the data has
locally coherent correlation structure, spurious link bundle teleconnections
and spurious high-degree clusters have to be expected. Anisotropic estimation
variance can also induce severe biases into empirical networks. We validate our
findings with ERA5 reanalysis data. Moreover we explain why commonly applied
resampling procedures are inappropriate for significance evaluation and propose
a statistically more meaningful ensemble construction framework. By
communicating which difficulties arise in estimation from scarce data and by
presenting which design decisions increase robustness, we hope to contribute to
more reliable climate network construction in the future.
- Abstract(参考訳): ネットワークに基づく力学系の解析は、気候科学においてますます人気が高まっている。
本稿では,統計的観点からのネットワーク構築に対処し,計算された相関値が経験的推定値であるという事実を強調する。
基底真理ネットワークからの逸脱としてスプリアス挙動を測定するために,球面上の時間依存等方性確率場をシミュレートし,共通のネットワーク構築手法を適用する。
推定手順から生じる不確実性が,ネットワーク特性に大きく影響を与える方法がいくつか見出された。
局所的なコヒーレントな相関構造を持つ場合には、スプリアスリンクバンドルテレコネクションとスプリアス高次クラスタを期待する必要がある。
異方性推定分散はまた、経験的ネットワークに深刻なバイアスを引き起こす。
ERA5リアナリシスデータを用いて検討した。
また,一般的な再サンプリング手順が重要度評価に不適切である理由を説明し,統計的に有意義なアンサンブル構築フレームワークを提案する。
不足データからの予測に困難が生じているかを伝えることで、どの設計決定が堅牢性を高めるかを示すことで、我々は将来より信頼性の高い気候ネットワークの構築に貢献することを望んでいる。
関連論文リスト
- Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Network Synthetic Interventions: A Causal Framework for Panel Data Under
Network Interference [23.718967111004964]
本研究では, パネルデータから, 単位間の流出の有無, 観測不能な埋没の有無を推定する。
我々のアプローチの鍵は、ネットワークの干渉を考慮して、パネルデータ設定で一般的に使用される因子モデルを一般化する新しい潜在因子モデルである。
論文 参考訳(メタデータ) (2022-10-20T15:44:05Z) - Regression modelling of spatiotemporal extreme U.S. wildfires via
partially-interpretable neural networks [0.0]
人工ニュートラルネットワークを用いた極端量子レグレッションを実現するための新しい手法フレームワークを提案する。
我々は、線形で付加的な回帰手法をディープラーニングと統合し、部分的に解釈可能なニューラルネットワークを作成する。
論文 参考訳(メタデータ) (2022-08-16T07:42:53Z) - Concentration inequalities for correlated network-valued processes with
applications to community estimation and changepoint analysis [2.1953732467962315]
ネットワーク評価プロセスから生成されたネットワークシーケンスの集合的挙動について検討する。
本研究は, コミュニティ推定や変更点推定問題において, 標準推定器の整合性を示す上で, これらの濃度が有用であることを示すものである。
また,時間的相関の度合いがコミュニティの精度や変化点推定に与える影響をシミュレーションにより検証した。
論文 参考訳(メタデータ) (2022-08-02T11:16:58Z) - A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
気候予測に対する補完的な機械学習に基づくアプローチを追求する。
特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-02-23T00:28:36Z) - Prequential MDL for Causal Structure Learning with Neural Networks [9.669269791955012]
ベイジアンネットワークの実用的スコアリング関数を導出するために,事前最小記述長の原理が利用できることを示す。
我々は、調整しなければならない事前やその他の正規化子を誘導するスパーシリティに頼ることなく、可塑性および擬似グラフ構造を得る。
本研究は, 適応速度から因果構造を推定する最近の研究と, 分布変化の源泉から観測結果が得られた場合の因果構造との関係について考察する。
論文 参考訳(メタデータ) (2021-07-02T22:35:21Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。
本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。
また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文 参考訳(メタデータ) (2020-06-14T12:47:34Z) - Distribution Approximation and Statistical Estimation Guarantees of
Generative Adversarial Networks [82.61546580149427]
GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。
本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
論文 参考訳(メタデータ) (2020-02-10T16:47:57Z)
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。