論文の概要: Evaluating Loss Functions and Learning Data Pre-Processing for Climate Downscaling Deep Learning Models

• arxiv url: http://arxiv.org/abs/2306.11144v1
• Date: Mon, 19 Jun 2023 19:58:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 16:32:30.678082
• Title: Evaluating Loss Functions and Learning Data Pre-Processing for Climate Downscaling Deep Learning Models
• Title（参考訳）: 気候下降深層学習モデルにおける損失関数と学習データの事前処理の評価
• Authors: Xingying Huang
• Abstract要約: 気候下降の文脈における深層学習モデルに対する損失関数と非線形データ前処理法の効果について検討した。 その結果,L1の損失やL2の損失は,降水データのような不均衡なデータではL1の損失よりも有意に優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning models have gained popularity in climate science, following their success in computer vision and other domains. For instance, researchers are increasingly employing deep learning techniques for downscaling climate data, drawing inspiration from image super-resolution models. However, there are notable differences between image data and climate data. While image data typically falls within a specific range (e.g., [0, 255]) and exhibits a relatively uniform or normal distribution, climate data can possess arbitrary value ranges and highly uneven distributions, such as precipitation data. This non-uniform distribution presents challenges when attempting to directly apply existing computer vision models to climate science tasks. Few studies have addressed this issue thus far. In this study, we explore the effects of loss functions and non-linear data pre-processing methods for deep learning models in the context of climate downscaling. We employ a climate downscaling experiment as an example to evaluate these factors. Our findings reveal that L1 loss and L2 loss perform similarly on some more balanced data like temperature data while for some imbalanced data like precipitation data, L2 loss performs significantly better than L1 loss. Additionally, we propose an approach to automatically learn the non-linear pre-processing function, which further enhances model accuracy and achieves the best results.
• Abstract（参考訳）: 深層学習モデルは、コンピュータビジョンやその他の領域での成功に続いて、気候科学で人気を集めている。 例えば、研究者たちは、画像の超解像モデルからインスピレーションを得て、気候データをダウンスケールする深層学習技術を活用している。 しかし、画像データと気候データには顕著な違いがある。 画像データは、通常、特定の範囲(例えば[0, 255])に該当し、比較的均一または正常な分布を示すが、気候データは、降水データのような任意の値範囲と高度に不均一な分布を保持することができる。 この一様分布は、既存のコンピュータビジョンモデルを気候科学のタスクに直接適用しようとする際の課題である。 これまでにこの問題に対処した研究はほとんどない。 本研究では,気候ダウンスケーリングの文脈における深層学習モデルに対する損失関数と非線形データ前処理手法の効果について検討する。 これらの要因を評価する例として,気候下降実験を用いる。 その結果,L1の損失やL2の損失は,降水データのような不均衡なデータではL1の損失よりも有意に優れていることがわかった。 さらに,非線形前処理関数を自動的に学習する手法を提案する。

関連論文リスト

• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Mind the Gap Between Synthetic and Real: Utilizing Transfer Learning to Probe the Boundaries of Stable Diffusion Generated Data [2.6016285265085526]
  学生モデルは、実際のデータで訓練されたモデルと比較して、精度が著しく低下している。 実データまたは合成データを用いてこれらのレイヤをトレーニングすることにより、ドロップが主にモデルの最終的なレイヤに由来することを明らかにする。 この結果から,実際のトレーニングデータの量とモデルの精度とのトレードオフの改善が示唆された。
  論文  参考訳（メタデータ） (2024-05-06T07:51:13Z)
• Generating High-Resolution Regional Precipitation Using Conditional Diffusion Model [7.784934642915291]
  本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。 複数のLR気候変数に条件付き拡散確率モデルを用いる。 以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
  論文  参考訳（メタデータ） (2023-12-12T09:39:52Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Hard-Constrained Deep Learning for Climate Downscaling [30.280862393706542]
  高解像度の気候と気象データは、気候適応と緩和に関する長期的な決定を知らせるために重要である。 予測モデルは計算コストによって制限されるため、しばしば粗い解像度の予測を生成する。 深層学習からの超解像法を含む統計的ダウンスケーリングは、低分解能データをアップサンプリングする効率的な方法を提供することができる。
  論文  参考訳（メタデータ） (2022-08-08T16:54:01Z)
• Improved Loss Function-Based Prediction Method of Extreme Temperatures in Greenhouses [3.4893854610476267]
  温室栽培の分野では、作物が受容可能な極端温室温の予測が不可欠である。 データセットに極端な温度データがないため、モデルを正確に予測することは困難である。 各種機械学習モデルに適した改良された損失関数を提案する。
  論文  参考訳（メタデータ） (2021-11-02T04:33:15Z)
• Taxonomizing local versus global structure in neural network loss landscapes [60.206524503782006]
  ロスランドスケープが世界規模で良好に接続されている場合, 最適なテスト精度が得られることを示す。 また、モデルが小さい場合や、品質の低いデータに訓練された場合、世界規模で接続の不十分なランドスケープが生じる可能性があることも示しています。
  論文  参考訳（メタデータ） (2021-07-23T13:37:14Z)

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。