論文の概要: Recommendations for Comprehensive and Independent Evaluation of Machine Learning-Based Earth System Models

• arxiv url: http://arxiv.org/abs/2410.19882v1
• Date: Thu, 24 Oct 2024 20:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:20:55.888517
• Title: Recommendations for Comprehensive and Independent Evaluation of Machine Learning-Based Earth System Models
• Title（参考訳）: 機械学習に基づく地球系モデルの総合的・独立評価への提言
• Authors: Paul A. Ullrich, Elizabeth A. Barnes, William D. Collins, Katherine Dagon, Shiheng Duan, Joshua Elms, Jiwoo Lee, L. Ruby Leung, Dan Lu, Maria J. Molina, Travis A. O'Brien,
• Abstract要約: 機械学習(ML)は天気予報において最も目に見えるもので、現代の物理学ベースのモデルに匹敵する予測を生成する。 地球系モデル(ESM)の予測モデル開発に向けた取り組みが現在進行中である。 本稿では,信頼性を高め,幅広い利用を促進するための5つの勧告を提案する。
• 参考スコア（独自算出の注目度）: 1.855613172745558
• License:
• Abstract: Machine learning (ML) is a revolutionary technology with demonstrable applications across multiple disciplines. Within the Earth science community, ML has been most visible for weather forecasting, producing forecasts that rival modern physics-based models. Given the importance of deepening our understanding and improving predictions of the Earth system on all time scales, efforts are now underway to develop forecasting models into Earth-system models (ESMs), capable of representing all components of the coupled Earth system (or their aggregated behavior) and their response to external changes. Modeling the Earth system is a much more difficult problem than weather forecasting, not least because the model must represent the alternate (e.g., future) coupled states of the system for which there are no historical observations. Given that the physical principles that enable predictions about the response of the Earth system are often not explicitly coded in these ML-based models, demonstrating the credibility of ML-based ESMs thus requires us to build evidence of their consistency with the physical system. To this end, this paper puts forward five recommendations to enhance comprehensive, standardized, and independent evaluation of ML-based ESMs to strengthen their credibility and promote their wider use.
• Abstract（参考訳）: 機械学習(ML)は、複数の分野にわたる実証可能なアプリケーションを持つ革命的技術である。 地球科学コミュニティの中では、MLは天気予報として最もよく知られており、現代の物理学ベースのモデルに匹敵する予測を生み出している。 あらゆる時間スケールで地球系の理解を深め、予測を改善することの重要性を考えると、地球系モデル(ESM)への予測モデルの開発が進行中であり、結合した地球系の全ての構成要素(またはそれらの集合的な振る舞い)と、その外的変化に対する応答を表現できる。 地球系のモデリングは、気象予報よりもはるかに難しい問題であり、特に、歴史的観測がないシステムの代替(例えば未来)結合状態を表す必要があるためである。 地球系の応答に関する予測を可能にする物理原理が、これらのMLベースのモデルでは明示的にコーディングされていないことを考えると、MLベースのESMの信頼性を示すため、物理系との整合性を示す証拠を構築する必要がある。 そこで本稿では,MLベースのESMの総合的,標準化された,独立した評価を強化するための5つの勧告を提案する。

関連論文リスト

• Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
  現代の言語モデル(LM)は、能力評価において新たな課題を提起する。 メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
  論文  参考訳（メタデータ） (2024-07-22T17:52:12Z)
• Zero-shot Safety Prediction for Autonomous Robots with Foundation World Models [0.12499537119440243]
  世界モデルは、コントローラを訓練し、システムの内部のダイナミックモデルを学ぶことによって安全違反を予測するために代理世界を作成する。 本稿では,観察を意味的かつ因果的に潜伏した表現に組み込む基礎世界モデルを提案する。 これにより、Surrogate dynamicsは、トレーニング不要な大規模言語モデルを活用することで、因果先状態を直接予測できる。
  論文  参考訳（メタデータ） (2024-03-30T20:03:49Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• Next-Generation Earth System Models: Towards Reliable Hybrid Models for Weather and Climate Applications [0.07710102716793873]
  我々は、機械学習が地球システムをモデル化する能力をどう変えたのか、そしてスイスのエンドユーザーにとっての最近のブレークスルーをどのように期待しているかを概観する。 レビューから3つのレコメンデーションを特定します。
  論文  参考訳（メタデータ） (2023-11-22T21:00:26Z)
• A Mass-Conserving-Perceptron for Machine Learning-Based Modeling of Geoscientific Systems [1.1510009152620668]
  我々は,PCベースとMLベースのモデリングアプローチのギャップを埋める手段として,物理的に解釈可能なMass Conserving Perceptron (MCP)を提案する。 MCPは、PCモデルの基礎となる有向グラフ構造とGRNNの間の固有同型を利用して、物理過程の質量保存性を明確に表す。
  論文  参考訳（メタデータ） (2023-10-12T18:09:33Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• Differentiable Programming for Earth System Modeling [0.0]
  最先端の地球系モデル(ESMs)は、過去150年間の観測上の地球平均温度異常を再現することができる。 我々は、ESMを自動で差別化することは、ESMを前進させる大きな可能性を秘めていると論じる。
  論文  参考訳（メタデータ） (2022-08-29T18:32:24Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• A Perspective on Gaussian Processes for Earth Observation [23.66931064985429]
  空中・衛星リモートセンシングとその場観測による地球観測は、地球をモニタリングする上で重要な役割を担っている。 特に、機械学習とガウス過程(GP)は、生物地球物理変数の推定において際立った結果を得た。 前方および逆モデリングの大幅な進歩にもかかわらず、GPモデルは依然として重要な課題に直面しなければならない。
  論文  参考訳（メタデータ） (2020-07-02T16:44:11Z)

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。