論文の概要: Finding the Perfect Fit: Applying Regression Models to ClimateBench v1.0
- arxiv url: http://arxiv.org/abs/2308.11854v1
- Date: Wed, 23 Aug 2023 01:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 16:19:29.476385
- Title: Finding the Perfect Fit: Applying Regression Models to ClimateBench v1.0
- Title（参考訳）: 完璧なフィットを見つける:ClimateBench v1.0に回帰モデルを適用する
- Authors: Anmol Chaure, Ashok Kumar Behera, Sudip Bhattacharya
- Abstract要約: ClimateBenchは、気候データ用に設計された機械学習エミュレータのパフォーマンスを評価するためのベンチマークデータセットである。
本研究は、上記のデータセットを用いて非線形回帰モデルを評価することに焦点を当てる。
- 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: Climate projections using data driven machine learning models acting as
emulators, is one of the prevailing areas of research to enable policy makers
make informed decisions. Use of machine learning emulators as surrogates for
computationally heavy GCM simulators reduces time and carbon footprints. In
this direction, ClimateBench [1] is a recently curated benchmarking dataset for
evaluating the performance of machine learning emulators designed for climate
data. Recent studies have reported that despite being considered fundamental,
regression models offer several advantages pertaining to climate emulations. In
particular, by leveraging the kernel trick, regression models can capture
complex relationships and improve their predictive capabilities. This study
focuses on evaluating non-linear regression models using the aforementioned
dataset. Specifically, we compare the emulation capabilities of three
non-linear regression models. Among them, Gaussian Process Regressor
demonstrates the best-in-class performance against standard evaluation metrics
used for climate field emulation studies. However, Gaussian Process Regression
suffers from being computational resource hungry in terms of space and time
complexity. Alternatively, Support Vector and Kernel Ridge models also deliver
competitive results and but there are certain trade-offs to be addressed.
Additionally, we are actively investigating the performance of composite
kernels and techniques such as variational inference to further enhance the
performance of the regression models and effectively model complex non-linear
patterns, including phenomena like precipitation.
- Abstract（参考訳）: エミュレータとして機能するデータ駆動機械学習モデルを使用した気候予測は、政策立案者が情報的な決定を下せるための研究の主流分野の1つである。
計算量の多いGCMシミュレータのサロゲートとして機械学習エミュレータを使用すると、時間と炭素フットプリントが減少する。
この方向では、climatebench [1]は、気候データ用に設計された機械学習エミュレータのパフォーマンスを評価するために最近キュレートされたベンチマークデータセットである。
最近の研究では、回帰モデルは基本的なものであるにもかかわらず、気候のエミュレーションにいくつかの利点があると報告されている。
特に、カーネルのトリックを活用することで、回帰モデルは複雑な関係をキャプチャし、予測能力を改善することができる。
本研究では,前述のデータセットを用いた非線形回帰モデルの評価に注目する。
具体的には,3つの非線形回帰モデルのエミュレーション能力を比較する。
その中でも、ガウス過程レグレッセプターは、気候分野のエミュレーション研究に使用される標準評価指標に対する最高性能を示す。
しかし、ガウス過程回帰は、空間と時間の複雑さの点で計算資源に悩まされている。
あるいは、Support VectorとKernel Ridgeのモデルも競争力のある結果をもたらすが、対処すべきトレードオフがある。
さらに,回帰モデルの性能をさらに高め,降水などの現象を含む複雑な非線形パターンを効果的にモデル化するために,複合カーネルの性能や変分推論などの手法を積極的に研究している。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - The impact of internal variability on benchmarking deep learning climate emulators [2.3342885570554652]
完全複雑地球系モデル(ESM)は計算に非常に高価であり、複数の放出経路の気候結果の探索に使用を制限している。
ESMを近似するより効率的なエミュレータは、放射を気候データセットに直接マッピングすることができる。
我々は、データ駆動型気候エミュレーションの一般的なベンチマークであるClimateBenchを調査し、ディープラーニングベースのエミュレータが現在、最高のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-08-09T18:17:17Z) - Towards Learning Stochastic Population Models by Gradient Descent [0.0]
パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。
モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
論文 参考訳（メタデータ） (2024-04-10T14:38:58Z) - Predictive Analytics of Varieties of Potatoes [2.336821989135698]
本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。
本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
論文 参考訳（メタデータ） (2024-04-04T00:49:05Z) - ZeroShape: Regression-based Zero-shot Shape Reconstruction [56.652766763775226]
単一画像ゼロショット3次元形状再構成の問題点について検討する。
最近の研究は、3Dアセットの生成的モデリングを通してゼロショット形状復元を学習している。
我々はZeroShapeが最先端の手法よりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2023-12-21T01:56:34Z) - 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) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳（メタデータ） (2021-05-07T03:33:00Z) - Do We Really Need Deep Learning Models for Time Series Forecasting? [4.2698418800007865]
時系列予測は、幅広い応用があるため、機械学習において重要なタスクである。
ディープラーニングとマトリックスファクタリゼーションモデルは、より競争力のあるパフォーマンスで同じ問題に取り組むために最近提案されている。
本稿では,これらの高度に複雑なディープラーニングモデルが代替手段がないかどうかを問う。
論文 参考訳（メタデータ） (2021-01-06T16:18:04Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Using Machine Learning to Emulate Agent-Based Simulations [0.0]
エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。
エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
論文 参考訳（メタデータ） (2020-05-05T11:48:36Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。