論文の概要: A Temporal Bias Correction using a Machine Learning Attention model
- arxiv url: http://arxiv.org/abs/2402.14169v3
- Date: Mon, 18 Mar 2024 12:17:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 01:52:05.242368
- 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, Emily Shuckburgh,
- 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、実世界の観測に関して偏りがあり、通常、影響研究の前に校正される必要がある。
このようなキャリブレーションを可能にする統計手法の組はバイアス補正(BC)と呼ばれる。
しかし、現在のBC法は、連続する時間点間の依存を無視しているため、時間バイアスを調整するのに苦労している。
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より困難になる。
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。
これは実現される。
一 アルゴリズムの手順よりも確率モデルとしてBCを再考し、
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 Deconfounding Approach to Climate Model Bias Correction [26.68810227550602]
地球温暖化モデル(GCM)は、地球系をシミュレートすることで、将来の気候変動を予測するのに不可欠である。
GCMは、モデルの不確実性、パラメータ化の単純化、複雑な気候現象の不十分な表現による体系的なバイアスを示す。
本稿では,GCMと観測データの両方を用いて,多原因共同創設者を捉える因子モデルを学習するための新しいバイアス補正手法を提案する。
論文 参考訳（メタデータ） (2024-08-22T01:53:35Z) - 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) - It's an Alignment, Not a Trade-off: Revisiting Bias and Variance in Deep
Models [51.66015254740692]
深層学習に基づく分類モデルのアンサンブルでは, バイアスと分散がサンプルレベルで一致していることが示される。
我々はこの現象をキャリブレーションと神経崩壊という2つの理論的観点から研究する。
論文 参考訳（メタデータ） (2023-10-13T17:06:34Z) - Towards Debiasing Frame Length Bias in Text-Video Retrieval via Causal
Intervention [72.12974259966592]
トリミングビデオクリップのトレーニングセットとテストセットのフレーム長差による時間偏差について,一意かつ体系的に検討した。
Epic-Kitchens-100, YouCook2, MSR-VTTデータセットについて, 因果脱バイアス法を提案し, 広範な実験およびアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-09-17T15:58:27Z) - 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) - Realization of Causal Representation Learning to Adjust Confounding Bias
in Latent Space [28.133104562449212]
因果DAG (Directed Acyclic Graphs) は通常、2次元平面において考慮される。
本稿では,変数の値がもはや時間スタンプに依存しておらず,時系列を軸と見なすことができるEmphdo-DAGとして因果DAGを再定義する。
論文 参考訳（メタデータ） (2022-11-15T23:35:15Z) - 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) - 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) - Learning Sample Importance for Cross-Scenario Video Temporal Grounding [30.82619216537177]
本稿では,時間的接地作業に特有の表面バイアスについて検討する。
そこで本研究では,Debiased Temporal Language Localizer (DebiasTLL) と呼ばれる新しい手法を提案する。
我々は、列車/テストデータが均一にソースされるクロスセサリオ時間的グラウンドリングにおいて、提案モデルを評価する。
論文 参考訳（メタデータ） (2022-01-08T15:41:38Z) - 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)
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。