論文の概要: Defining error accumulation in ML atmospheric simulators

• arxiv url: http://arxiv.org/abs/2405.14714v1
• Date: Thu, 23 May 2024 15:46:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 14:16:19.431744
• Title: Defining error accumulation in ML atmospheric simulators
• Title（参考訳）: ML大気シミュレータにおける誤差蓄積の定義
• Authors: Raghul Parthipan, Mohit Anand, Hannah M. Christensen, J. Scott Hosking, Damon J. Wischik,
• Abstract要約: 本稿では,誤差蓄積を測定するための定義と関連する指標を提案する。 我々の定義では、モデル欠陥による誤差と、大気系の本質的な性質による誤差を区別する。 本手法は,大気系の選択におけるRMSEと拡散/スキルによる性能向上を示す。
• 参考スコア（独自算出の注目度）: 1.02623047008962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) has recently shown significant promise in modelling atmospheric systems, such as the weather. Many of these ML models are autoregressive, and error accumulation in their forecasts is a key problem. However, there is no clear definition of what `error accumulation' actually entails. In this paper, we propose a definition and an associated metric to measure it. Our definition distinguishes between errors which are due to model deficiencies, which we may hope to fix, and those due to the intrinsic properties of atmospheric systems (chaos, unobserved variables), which are not fixable. We illustrate the usefulness of this definition by proposing a simple regularization loss penalty inspired by it. This approach shows performance improvements (according to RMSE and spread/skill) in a selection of atmospheric systems, including the real-world weather prediction task.
• Abstract（参考訳）: 機械学習(ML)は、最近、天気などの大気システムのモデル化において大きな可能性を示している。 これらのMLモデルの多くは自己回帰的であり、予測におけるエラーの蓄積は重要な問題である。 しかしながら、‘エラーの蓄積’が実際に必要とするものを明確に定義することはできない。 本稿では,それを測定するための定義と関連する指標を提案する。 我々の定義では、修正を希望するかもしれないモデル欠陥による誤差と、修正不可能な大気系(カオス、未観測変数)の本質的な性質による誤差とを区別する。 本定義は, 単純正則化損失のペナルティに着想を得たものである。 このアプローチは、実際の気象予報タスクを含む大気系の選択における性能改善(RMSEとスプレッド/スキル)を示す。

関連論文リスト

• ACE Metric: Advection and Convection Evaluation for Accurate Weather Forecasting [7.016835396874093]
  本研究では, モデルによる対流・対流予測の精度を評価するために, 対流・対流誤差(ACE)測定値を提案する。 We have confirmeded the ACE evaluation metric on the WeatherBench2 and movingMNIST datasets。
  論文  参考訳（メタデータ） (2024-06-07T06:49:59Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
  降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。 従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。 本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T11:26:32Z)
• Residual Correction in Real-Time Traffic Forecasting [29.93640276427495]
  ディープラーニングベースのトラフィック予測モデルは、主にイベント状況において、特定のパターンで失敗する。 本稿では,交通予測のための残差推定モジュールResCALを紹介する。 我々のResCALは、過去のエラーとグラフ信号を用いて将来のエラーを推定することにより、既存のモデルの予測をリアルタイムで調整する。
  論文  参考訳（メタデータ） (2022-09-12T16:57:25Z)
• Time Series Forecasting Models Copy the Past: How to Mitigate [24.397660153755997]
  ノイズや不確実性の存在下では、ニューラルネットワークモデルは時系列の最後の観測値を複製する傾向がある。 本稿では、以前に見られた値の複製を罰する正規化項を提案する。 以上の結果から, 正規化という用語は, 上記の問題をある程度緩和し, より堅牢なモデルがもたらされることが示唆された。
  論文  参考訳（メタデータ） (2022-07-27T10:39:00Z)
• VisFIS: Visual Feature Importance Supervision with Right-for-the-Right-Reason Objectives [84.48039784446166]
  モデルFI監督は、VQAモデルの精度と、Right-to-the-Right-Reasonメトリクスの性能を有意義に向上させることができることを示す。 我々の最高のパフォーマンス手法であるVisual Feature Importance Supervision (VisFIS)は、ベンチマークVQAデータセットで強いベースラインを上回ります。 説明が妥当で忠実な場合には予測がより正確になる。
  論文  参考訳（メタデータ） (2022-06-22T17:02:01Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• Uncertainty Quantification Techniques for Space Weather Modeling: Thermospheric Density Application [0.0]
  熱圏密度を予測する非線形MLモデルを開発するための2つの手法を提案する。 ローカルおよびグローバルデータセットでトレーニングされたモデルの性能を示す。 精度の高い不確実性推定値を用いて,独立テストデータ上で11%の誤差を達成した。
  論文  参考訳（メタデータ） (2022-01-06T14:17:50Z)
• Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
  モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。 その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
  論文  参考訳（メタデータ） (2020-11-25T20:05:23Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。