論文の概要: Ensemble learning for predictive uncertainty estimation with application to the correction of satellite precipitation products
- arxiv url: http://arxiv.org/abs/2403.10567v2
- Date: Mon, 06 Jan 2025 19:20:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-08 15:46:22.818398
- Title: Ensemble learning for predictive uncertainty estimation with application to the correction of satellite precipitation products
- Title（参考訳）: 予測不確実性推定のためのアンサンブル学習と衛星降雨量の補正への応用
- Authors: Georgia Papacharalampous, Hristos Tyralis, Nikolaos Doulamis, Anastasios Doulamis,
- Abstract要約: そこで本研究では,9つの定量的アンサンブル学習者を紹介し,これらの学習者の大規模な降水データセットへの最初の応用について述べる。
我々は新しい特徴工学戦略を採用し、位置高度と合わせて、距離重み付け衛星降水量予測器を関連箇所に導入した。
QRとQRNNのアンサンブル学習は0.025から0.975までの量子レベルで最高の結果となり、基準法を3.91%から8.95%に上回った。
- 参考スコア（独自算出の注目度）: 3.8623569699070353
- License:
- Abstract: Predictions in the form of probability distributions are crucial for effective decision-making. Quantile regression enables such predictions within spatial prediction settings that aim to create improved precipitation datasets by merging remote sensing and gauge data. However, ensemble learning of quantile regression algorithms remains unexplored in this context and, at the same time, it has not been substantially developed so far in the broader machine learning research landscape. Here, we introduce nine quantile-based ensemble learners and address the afore-mentioned gap in precipitation dataset creation by presenting the first application of these learners to large precipitation datasets. We employed a novel feature engineering strategy, reducing predictors to distance-weighted satellite precipitation at relevant locations, combined with location elevation. Our ensemble learners include six ensemble learning and three simple methods (mean, median, best combiner), combining six individual algorithms: quantile regression (QR), quantile regression forests (QRF), generalized random forests (GRF), gradient boosting machines (GBM), light gradient boosting machines (LightGBM), and quantile regression neural networks (QRNN). These algorithms serve as both base learners and combiners within different ensemble learning methods. We evaluated performance against a reference method (QR) using quantile scoring functions in a large dataset comprising 15 years of monthly gauge-measured and satellite precipitation in the contiguous United States (CONUS). Ensemble learning with QR and QRNN yielded the best results across quantile levels ranging from 0.025 to 0.975, outperforming the reference method by 3.91% to 8.95%. This demonstrates the potential of ensemble learning to improve probabilistic spatial predictions.
- Abstract（参考訳）: 確率分布の形の予測は、効果的な意思決定に不可欠である。
量子回帰(Quantile regression)は、リモートセンシングとゲージデータをマージすることで、降水データセットの改善を目的とした、空間的予測設定内での予測を可能にする。
しかし、この文脈では量子回帰アルゴリズムのアンサンブル学習は未解明のままであり、それと同時に、より広範な機械学習研究の分野では実質的には開発されていない。
ここでは,9つの量的アンサンブル学習者を紹介し,これらの学習者の最初の応用を大規模な降水データセットに提示することにより,降水データセット作成における前述のギャップに対処する。
そこで我々は,遠隔地における衛星降水量の予測器と位置高度の予測器を併用した,新しい特徴工学戦略を採用した。
我々のアンサンブル学習者は6つのアンサンブル学習と3つの単純な手法(平均、中央値、最良の組み合わせ)を組み合わせ、量子回帰(QRF)、量子回帰(QRF)、一般化ランダム森林(GRF)、勾配促進(GBM)、光勾配増強(LightGBM)、量子回帰(QRNN)の6つのアルゴリズムを組み合わせた。
これらのアルゴリズムは、異なるアンサンブル学習方法におけるベースラーナーとコンバインダーの両方として機能する。
連続した米国(CONUS)における15年間の月次測度と衛星降水量からなる大規模データセットにおける量子スコアリング関数を用いた基準法(QR)の性能評価を行った。
QRとQRNNのアンサンブル学習は0.025から0.975までの量子レベルで最高の結果となり、基準法を3.91%から8.95%に上回った。
このことは、確率論的空間予測を改善するためのアンサンブル学習の可能性を示している。
関連論文リスト
- Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。
これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。
拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-11-10T01:26:16Z) - Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。
スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。
実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Uncertainty estimation in satellite precipitation spatial prediction by combining distributional regression algorithms [3.8623569699070353]
データマージによって降水データセットを作成するエンジニアリングタスクに対して,分散回帰の概念を導入する。
本研究では,空間予測だけでなく,一般の予測問題にも有用な新しいアンサンブル学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-29T05:58:00Z) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - Uncertainty estimation of machine learning spatial precipitation predictions from satellite data [3.8623569699070353]
衛星データとゲージデータを機械学習と組み合わせることで、高解像度の降水データセットを生成する。
6つのアルゴリズムをベンチマークすることで、そのような推定を最適に行う方法のギャップに対処する。
本研究では,空間データ予測の不確かさを推定する機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-13T17:55:28Z) - Ensemble learning for blending gridded satellite and gauge-measured
precipitation data [4.2193475197905705]
本研究では,衛星降雨物の精度を向上させるため,11種類の新しいアンサンブル学習者を提案する。
PERSIANNとIMERGのグリッド化されたデータセットから月次データにアンサンブル学習者を適用する。
また,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次データベースからの降水量測定データを用いた。
論文 参考訳（メタデータ） (2023-07-09T17:54:46Z) - Rethinking Spatial Invariance of Convolutional Networks for Object
Counting [119.83017534355842]
局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。
従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。
提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
論文 参考訳（メタデータ） (2022-06-10T17:51:25Z) - Communication-Efficient Distributed Quantile Regression with Optimal
Statistical Guarantees [2.064612766965483]
本稿では,分散量子レグレッションにおいて,厳密なスケーリング条件を伴わずに最適な推論を実現する方法の課題に対処する。
この問題は、ローカル(各データソース)とグローバルな目的関数に適用される二重平滑化アプローチによって解決される。
局所的および大域的滑らか化パラメータの微妙な組み合わせに依存するにもかかわらず、量子回帰モデルは完全にパラメトリックである。
論文 参考訳（メタデータ） (2021-10-25T17:09:59Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳（メタデータ） (2021-02-26T23:21:16Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2020-12-23T09:33:11Z)
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。