論文の概要: Accurate Prediction of Global Mean Temperature through Data
Transformation Techniques
- arxiv url: http://arxiv.org/abs/2303.06468v1
- Date: Sat, 11 Mar 2023 17:39:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 18:52:55.998168
- Title: Accurate Prediction of Global Mean Temperature through Data
Transformation Techniques
- Title(参考訳): データ変換法による地球平均気温の高精度予測
- Authors: Debdarsan Niyogi, J. Srinivasan
- Abstract要約: 本稿では,複雑なMLアルゴリズムやディープラーニングニューラルネットワーク(Deep Learning Neural Networks, DNN)を直接利用するのではなく, 統計的, 簡便な機械学習手法の利点について検討する。
さまざまな単純なML手法は、最初のステップとして大規模なアルゴリズムの花束を試すことのメリットを示す、よく知られた手法よりも優れているか、あるいは優れている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is important to predict how the Global Mean Temperature (GMT) will evolve
in the next few decades. The ability to predict historical data is a necessary
first step toward the actual goal of making long-range forecasts. This paper
examines the advantage of statistical and simpler Machine Learning (ML) methods
instead of directly using complex ML algorithms and Deep Learning Neural
Networks (DNN). Often neglected data transformation methods prior to applying
different algorithms have been used as a means of improving predictive
accuracy. The GMT time series is treated both as a univariate time series and
also cast as a regression problem. Some steps of data transformations were
found to be effective. Various simple ML methods did as well or better than the
more well-known ones showing merit in trying a large bouquet of algorithms as a
first step. Fifty-six algorithms were subject to Box-Cox, Yeo-Johnson, and
first-order differencing and compared with the absence of them. Predictions for
the annual GMT testing data were better than that published so far, with the
lowest RMSE value of 0.02 $^\circ$C. RMSE for five-year mean GMT values for the
test data ranged from 0.00002 to 0.00036 $^\circ$C.
- Abstract(参考訳): 今後数十年で世界平均気温(GMT)がどのように進化するかを予測することは重要である。
履歴データを予測する能力は、長期予測の実際の目標に向けて必要な第一歩である。
本稿では,複雑なMLアルゴリズムやディープラーニングニューラルネットワーク(Deep Learning Neural Networks, DNN)を直接利用するのではなく, 統計的および簡易な機械学習手法の利点を検討する。
しばしば、異なるアルゴリズムを適用する前に無視されたデータ変換手法が予測精度を改善する手段として使われてきた。
GMT時系列は単変量時系列として扱われ、回帰問題としても扱われる。
データ変換のいくつかのステップが有効であることが判明した。
さまざまなシンプルなmlメソッドは、アルゴリズムの大きな花束を第1ステップとして試すメリットを示す、より有名なものよりも、あるいはそれ以上に優れていました。
50のアルゴリズムはBox-Cox、Yeo-Johnson、および一階差があり、それらの欠如と比較された。
年次GMT試験データの予測はこれまでに公表した値よりも優れており,最低のRMSE値は0.02ドル^\circ$Cであった。
5年間の平均GMT値は0.00002から0.00036$^\circ$Cであった。
関連論文リスト
- Point Prediction for Streaming Data [27.938266762930994]
本稿では,ストリーミングデータを用いた2つの新しい点予測手法を提案する。
1つはCount-Minスケッチ(CMS)に基づいており、もう1つはランダムなバイアスを持つガウス過程の先行に基づく。
論文 参考訳(メタデータ) (2024-08-02T15:12:52Z) - Joint Prediction Regions for time-series models [0.0]
IIDデータの場合、JPR(Joint Prediction Region)の計算は容易である。
このプロジェクトは、JPRを構築するWolfとWunderliのメソッドを実装し、他のメソッドと比較することを目的としている。
論文 参考訳(メタデータ) (2024-05-14T02:38:49Z) - Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。
目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文 参考訳(メタデータ) (2023-10-31T03:16:32Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳(メタデータ) (2022-02-22T18:37:23Z) - Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。
PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。
我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文 参考訳(メタデータ) (2021-12-20T13:07:39Z) - Modelling the COVID-19 virus evolution with Incremental Machine Learning [0.6747153903267225]
最先端の機械学習アルゴリズムとオンラインのインクリメンタルな機械学習アルゴリズムを比較して、病気の拡散の日々の変化に適応させる。
その結果、インクリメンタルメソッドは、時間とともに疾患の変化に適応するための有望なアプローチであることがわかった。
論文 参考訳(メタデータ) (2021-04-14T16:08:35Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳(メタデータ) (2021-03-23T17:48:56Z) - Machine learning for complete intersection Calabi-Yau manifolds: a
methodological study [0.0]
我々は機械学習(ML)を用いてホッジ数$h1,1$と$h2,1$の完全なカラビ・ヤウ交差点を予測する問題を再考する。
我々は、古いデータセットのインセプションモデルにインスパイアされたニューラルネットワークを使用して、トレーニング用のデータの30% (resp. 70%) のみを使用して、97% (resp. 99%) の精度で$h1,1$を得る。
新しい例では、単純な線形回帰は、トレーニング用のデータの30%でほぼ100%の正確性をもたらす。
論文 参考訳(メタデータ) (2020-07-30T19:43:49Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳(メタデータ) (2020-06-19T05:08:43Z) - Least Squares Regression with Markovian Data: Fundamental Limits and
Algorithms [69.45237691598774]
マルコフ連鎖からデータポイントが依存しサンプリングされる最小二乗線形回帰問題について検討する。
この問題を$tau_mathsfmix$という観点から、鋭い情報理論のミニマックス下限を確立する。
本稿では,経験的リプレイに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-16T04:26:50Z)
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。