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
- Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。
提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。
予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文 参考訳（メタデータ） (2024-12-24T03:56:25Z) - 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) - Combinations of distributional regression algorithms with application in uncertainty estimation of corrected satellite precipitation products [3.8623569699070353]
降水データセット作成における分布回帰の概念を導入する。
新たなアンサンブル学習法は,空間予測だけでなく,他の予測問題にも有用である。
スタック化は, 量子化損失関数を用いて評価した場合, 最大量子化レベルにおいて, 個々の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-06-29T05:58:00Z) - 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) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳（メタデータ） (2023-07-12T16:28:21Z) - 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) - Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data [7.434517639563671]
我々は,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降水データ,バージョン2。
その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
論文 参考訳（メタデータ） (2022-12-17T09:39:39Z) - 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。