論文の概要: Embedding Ordinality to Binary Loss Function for Improving Solar Flare Forecasting
- arxiv url: http://arxiv.org/abs/2408.11768v1
- Date: Wed, 21 Aug 2024 16:42:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 16:08:22.582214
- Title: Embedding Ordinality to Binary Loss Function for Improving Solar Flare Forecasting
- Title(参考訳): 太陽フレア予測改善のための二元損失関数への埋め込み規則
- Authors: Chetraj Pandey, Anli Ji, Jinsu Hong, Rafal A. Angryk, Berkay Aydin,
- Abstract要約: 太陽フレア予測への応用を示す二元損失関数にオーディナリティをエンコードする新しい手法を提案する。
我々は、太陽円盤全体にわたる各ARのフレア予測を縦方向の制限なく可能とし、太陽フレア予測を強化した。
- 参考スコア(独自算出の注目度): 1.0225653612678713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a novel loss function aimed at optimizing the binary flare prediction problem by embedding the intrinsic ordinal flare characteristics into the binary cross-entropy (BCE) loss function. This modification is intended to provide the model with better guidance based on the ordinal characteristics of the data and improve the overall performance of the models. For our experiments, we employ a ResNet34-based model with transfer learning to predict $\geq$M-class flares by utilizing the shape-based features of magnetograms of active region (AR) patches spanning from $-$90$^{\circ}$ to $+$90$^{\circ}$ of solar longitude as our input data. We use a composite skill score (CSS) as our evaluation metric, which is calculated as the geometric mean of the True Skill Score (TSS) and the Heidke Skill Score (HSS) to rank and compare our models' performance. The primary contributions of this work are as follows: (i) We introduce a novel approach to encode ordinality into a binary loss function showing an application to solar flare prediction, (ii) We enhance solar flare forecasting by enabling flare predictions for each AR across the entire solar disk, without any longitudinal restrictions, and evaluate and compare performance. (iii) Our candidate model, optimized with the proposed loss function, shows an improvement of $\sim$7%, $\sim$4%, and $\sim$3% for AR patches within $\pm$30$^\circ$, $\pm$60$^\circ$, and $\pm$90$^\circ$ of solar longitude, respectively in terms of CSS, when compared with standard BCE. Additionally, we demonstrate the ability to issue flare forecasts for ARs in near-limb regions (regions between $\pm$60$^{\circ}$ to $\pm$90$^{\circ}$) with a CSS=0.34 (TSS=0.50 and HSS=0.23), expanding the scope of AR-based models for solar flare prediction. This advances the reliability of solar flare forecasts, leading to more effective prediction capabilities.
- Abstract(参考訳): 本稿では,2次クロスエントロピー(BCE)損失関数に内在する順序フレア特性を埋め込むことにより,2次フレア予測問題の最適化を目的とした新しい損失関数を提案する。
この修正は、データの順序特性に基づいてモデルにより良いガイダンスを与え、モデル全体の性能を改善することを目的としている。
我々の実験では、転写学習を用いたResNet34ベースのモデルを用いて、入力データとして90$^{\circ}$から90$^{\circ}$までの活動領域(AR)の磁気グラムの形状に基づく特徴を利用して、$\geq$Mクラスのフレアを予測する。
評価指標として複合スキルスコア(CSS)を用いて,True Skill Score (TSS) とHeidke Skill Score (HSS) の幾何平均として算出し,モデルの性能を比較した。
この作品の主な貢献は次の通りである。
(i)太陽フレア予測への応用を示す二項損失関数にオーディナリティをエンコードする新しい手法を導入する。
2) 太陽円板全体にわたる各ARのフレア予測を縦方向の制約なく可能とし, 性能評価・比較を行うことにより, 太陽フレア予測を強化した。
(iii)提案した損失関数を最適化した候補モデルでは,標準的なBCEと比較すると,標準的なBCEに比べて,それぞれ$\sim$7%,$\sim$4%,$\sim$3%のARパッチに対する$\pm$30$^\circ$,$\pm$60$^\circ$,$\pm$90$^\circ$,$\pm$90$^\circ$の改善が見られた。
さらに、太陽フレア予測のためのARベースのモデルの範囲を広げ、太陽フレア予測をCSS=0.34 (TSS=0.50 と HSS=0.23) で、近レベル領域($\pm$60$^{\circ}$から$\pm$90$^{\circ}$までの領域)でARのフレア予測を発行する機能を示した。
これにより太陽フレア予測の信頼性が向上し、より効果的な予測能力がもたらされる。
関連論文リスト
- MM-RLHF: The Next Step Forward in Multimodal LLM Alignment [59.536850459059856]
MM-RLHF, $mathbf120k$ fine-fine, human-annotated preference comparison pairsを含むデータセットを紹介する。
本稿では,報酬モデルの品質向上とアライメントアルゴリズムの効率向上のために,いくつかの重要なイノベーションを提案する。
我々のアプローチは、$mathbf10$の異なる次元と$mathbf27$のベンチマークで厳格に評価されている。
論文 参考訳(メタデータ) (2025-02-14T18:59:51Z) - Advancing Solar Flare Prediction using Deep Learning with Active Region Patches [1.0225653612678713]
本稿では,アクティブ領域(AR)パッチの磁気グラムの形状特性を利用した新しい手法を提案する。
我々は,(i)ResNet34,(ii)MobileNet,(iii)MobileViTの3つのディープラーニングモデルを作成し,フレアを予測し,その有効性を評価する。
論文 参考訳(メタデータ) (2024-06-16T19:35:41Z) - Towards Interpretable Solar Flare Prediction with Attention-based Deep
Neural Networks [1.1624569521079424]
太陽フレア予測は宇宙天気予報の中心的な問題である。
我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。
本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
論文 参考訳(メタデータ) (2023-09-08T19:21:10Z) - Exploring Deep Learning for Full-disk Solar Flare Prediction with
Empirical Insights from Guided Grad-CAM Explanations [4.085931783551287]
本研究は, 太陽フレアの予測を行うために, フルディスク深層学習モデルを提案することにより, 太陽フレア予測研究を進めた。
分析の結果,フルディスクの太陽フレア予測は活動領域特性と一致していることが明らかとなった。
論文 参考訳(メタデータ) (2023-08-30T02:24:09Z) - Explainable Deep Learning-based Solar Flare Prediction with post hoc
Attention for Operational Forecasting [0.6299766708197884]
本稿では,深層学習に基づくフルディスク太陽フレア予測モデルのポストホック解析について述べる。
我々は24時間以内のフレア発生を予測するために、1時間ごとのフルディスク線磁図画像と2値予測モードを選択した。
分析の結果,太陽フレアのフルディスク予測は,活動領域の特徴と一致していることがわかった。
論文 参考訳(メタデータ) (2023-08-04T19:33:25Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - Autoregressive Bandits [58.46584210388307]
本稿では,オンライン学習環境であるAutoregressive Banditsを提案する。
報酬プロセスの軽微な仮定の下では、最適ポリシーを便利に計算できることが示される。
次に、新しい楽観的後悔最小化アルゴリズム、すなわちAutoRegressive Upper Confidence Bound (AR-UCB)を考案し、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
論文 参考訳(メタデータ) (2022-12-12T21:37:36Z) - Towards Coupling Full-disk and Active Region-based Flare Prediction for
Operational Space Weather Forecasting [0.5872014229110215]
本稿では, 太陽フレア予測システムの訓練と展開を行うための新しい手法を提案する。
フルディスクモードでは、深層学習モデルを用いて全ディスクラインオブサイト磁気グラム上で予測を行う。
アクティブなリージョンベースモデルでは、各アクティブなリージョンに対して個別に予測が発行される。
論文 参考訳(メタデータ) (2022-08-11T22:34:44Z) - Provably Efficient Offline Reinforcement Learning with Trajectory-Wise
Reward [66.81579829897392]
我々はPessimistic vAlue iteRaTionとrEward Decomposition (PARTED)という新しいオフライン強化学習アルゴリズムを提案する。
PartEDは、最小2乗ベースの報酬再分配を通じて、ステップごとのプロキシ報酬に軌道を分解し、学習したプロキシ報酬に基づいて悲観的な値を実行する。
私たちの知る限りでは、PartEDは、トラジェクティブな報酬を持つ一般のMDPにおいて、証明可能な効率のよい最初のオフラインRLアルゴリズムである。
論文 参考訳(メタデータ) (2022-06-13T19:11:22Z) - Human-in-the-loop: Provably Efficient Preference-based Reinforcement
Learning with General Function Approximation [107.54516740713969]
本研究は,RL(Human-in-the-loop reinforcement learning)を軌道的嗜好で検討する。
各ステップで数値的な報酬を受ける代わりに、エージェントは人間の監督者から軌道上のペアよりも優先される。
一般関数近似を用いたPbRLの楽観的モデルベースアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-23T09:03:24Z) - Regret-Optimal Filtering [57.51328978669528]
後悔最適化レンズによる線形状態空間モデルにおけるフィルタの問題を検討する。
我々は, 透視推定器の誤差エネルギー推定における後悔の概念に基づいて, フィルタ設計のための新しい基準を定式化する。
3つのリッキー方程式と1つのリャプノフ方程式を解くことで、後悔と最適推定が容易に実現できることを示す。
論文 参考訳(メタデータ) (2021-01-25T19:06:52Z)
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。