論文の概要: A Temporal Bias Correction using a Machine Learning Attention model
- arxiv url: http://arxiv.org/abs/2402.14169v2
- Date: Mon, 26 Feb 2024 17:15:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 20:36:58.780499
- Title: A Temporal Bias Correction using a Machine Learning Attention model
- Title(参考訳): 機械学習注意モデルを用いた時間バイアス補正
- Authors: Omer Nivron, Damon J. Wischik, Mathieu Vrac
- Abstract要約: バイアス補正(BC)法は、時間的バイアスを調整するのに苦労する。
BCメソッドは、連続するタイムポイント間の依存を無視します。
私たちは、時間的バイアスを修正するための新しいBC方法論を提供しています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Climate models are biased with respect to real world observations and usually
need to be calibrated prior to impact studies. The suite of statistical methods
that enable such calibrations is called bias correction (BC). However, current
BC methods struggle to adjust for temporal biases, because they disregard the
dependence between consecutive time-points. As a result, climate statistics
with long-range temporal properties, such as heatwave duration and frequency,
cannot be corrected accurately, making it more difficult to produce reliable
impact studies on such climate statistics. In this paper, we offer a novel BC
methodology to correct for temporal biases. This is made possible by i)
re-thinking BC as a probability model rather than an algorithmic procedure, and
ii) adapting state-of-the-art machine-learning (ML) probabilistic attention
models to fit the BC task. With a case study of heatwave duration statistics in
Abuja, Nigeria, and Tokyo, Japan, we show striking results compared to current
climate model outputs and alternative BC methods.
- Abstract(参考訳): 気候モデルは現実世界の観測に偏りがあり、通常、影響研究の前に校正する必要がある。
このような校正を可能にする統計手法の組をバイアス補正(bc)と呼ぶ。
しかし、現在のbc法は、連続する時間軸間の依存性を無視するため、時間バイアスの調整に苦労している。
結果として、熱波の持続時間や周波数などの長期的特性を持つ気候統計を正確に修正することはできず、そのような気候統計に関する信頼性の高い影響研究を作成するのが困難になる。
本稿では,時間的バイアスを補正する新しいBC手法を提案する。
これは可能である。
一 アルゴリズム的手続きではなく確率モデルとしてbcを再考すること、及び
二 最先端機械学習(ML)の確率的注意モデルを適用すること。
アブハ、ナイジェリア、東京における熱波持続時間統計のケーススタディにより、現在の気候モデルと代替のBC法と比較して顕著な結果が得られた。
関連論文リスト
- A non-intrusive machine learning framework for debiasing long-time
coarse resolution climate simulations and quantifying rare events statistics [0.0]
粗いモデルは、無視された「サブグリッド」スケールのために固有のバイアスに悩まされる。
ニューラルネット(NN)補正演算子を用いて,非侵襲的に粗大分解能気候予測を行うフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-28T17:06:19Z) - Towards probabilistic Weather Forecasting with Conditioned
Spatio-Temporal Normalizing Flows [0.0]
生成的相関はマルチモーダル相関をモデル化することができ、時間分布もうまくモデル化できることが示されている。
これにより、これらは時空間予測に適した候補モデルとなり、科学の多くの分野において問題は一様である。
論文 参考訳(メタデータ) (2023-11-12T20:52:14Z) - Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳(メタデータ) (2023-10-24T22:59:56Z) - DELTA: degradation-free fully test-time adaptation [59.74287982885375]
テスト時間バッチ正規化(BN)や自己学習といった,一般的な適応手法では,2つの好ましくない欠陥が隠されていることがわかった。
まず、テスト時間BNにおける正規化統計は、現在受信されているテストサンプルに完全に影響され、その結果、不正確な推定結果が得られることを明らかにする。
第二に、テスト時間適応中にパラメータ更新が支配的なクラスに偏っていることを示す。
論文 参考訳(メタデータ) (2023-01-30T15:54:00Z) - Extracting or Guessing? Improving Faithfulness of Event Temporal
Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。
第1の視点は、文脈記述に基づいて真に抽出することである。
第2の視点は、適切な不確実性評価を提供することである。
論文 参考訳(メタデータ) (2022-10-10T19:53:13Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - Adaptive Conformal Predictions for Time Series [0.0]
アダプティブ・コンフォーマル推論(ACI)は、一般的な依存関係を持つ時系列に対して適切な手順であると主張する。
本稿では,オンラインエキスパートアグリゲーションに基づくACIを適応的に構築するパラメータフリー手法であるAgACIを提案する。
実際のケーススタディとして、電力価格の予測を行います。
論文 参考訳(メタデータ) (2022-02-15T09:57:01Z) - CSDI: Conditional Score-based Diffusion Models for Probabilistic Time
Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。
CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。
さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文 参考訳(メタデータ) (2021-07-07T22:20:24Z) - Learning from others' mistakes: Avoiding dataset biases without modeling
them [111.17078939377313]
最先端自然言語処理(NLP)モデルは、意図したタスクをターゲットとする機能ではなく、データセットのバイアスや表面形状の相関をモデル化することを学ぶことが多い。
これまでの研究は、バイアスに関する知識が利用できる場合に、これらの問題を回避するための効果的な方法を示してきた。
本稿では,これらの問題点を無視する学習モデルについて述べる。
論文 参考訳(メタデータ) (2020-12-02T16:10:54Z) - STAS: Adaptive Selecting Spatio-Temporal Deep Features for Improving
Bias Correction on Precipitation [27.780513053310223]
我々は、ECから最適なST正規性を選択するために、時空間特徴自動選択(STAS)モデルというエンドツーエンドのディープラーニングBCoPモデルを提案する。
ECパブリックデータセットの実験は、STASがBCoPのいくつかの基準で最先端のパフォーマンスを示すことを示唆している。
論文 参考訳(メタデータ) (2020-04-13T07:00:55Z) - Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。
モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
論文 参考訳(メタデータ) (2020-02-28T21:52:49Z)
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。