論文の概要: EXCON: Extreme Instance-based Contrastive Representation Learning of Severely Imbalanced Multivariate Time Series for Solar Flare Prediction

• arxiv url: http://arxiv.org/abs/2411.11249v1
• Date: Mon, 18 Nov 2024 02:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:35:08.136395
• Title: EXCON: Extreme Instance-based Contrastive Representation Learning of Severely Imbalanced Multivariate Time Series for Solar Flare Prediction
• Title（参考訳）: EXCON:太陽フレア予測のための極端インスタンスに基づく多変量時系列のコントラスト表現学習
• Authors: Onur Vural, Shah Muhammad Hamdi, Soukaina Filali Boubrahimi,
• Abstract要約: このような不均衡の中で、分類性能を高めるために設計されたコントラスト表現学習フレームワークEXCONを提示する。 結果は、太陽フレアデータセットのベンチマークと、バイナリとマルチクラスラベルによる複数の時系列アーカイブデータセットの評価を含む。
• 参考スコア（独自算出の注目度）: 1.024113475677323
• License:
• Abstract: In heliophysics research, predicting solar flares is crucial due to their potential to impact both space-based systems and Earth's infrastructure substantially. Magnetic field data from solar active regions, recorded by solar imaging observatories, are transformed into multivariate time series to enable solar flare prediction using temporal window-based analysis. In the realm of multivariate time series-driven solar flare prediction, addressing severe class imbalance with effective strategies for multivariate time series representation learning is key to developing robust predictive models. Traditional methods often struggle with overfitting to the majority class in prediction tasks where major solar flares are infrequent. This work presents EXCON, a contrastive representation learning framework designed to enhance classification performance amidst such imbalances. EXCON operates through four stages: obtaining core features from multivariate time series data; selecting distinctive contrastive representations for each class to maximize inter-class separation; training a temporal feature embedding module with a custom extreme reconstruction loss to minimize intra-class variation; and applying a classifier to the learned embeddings for robust classification. The proposed method leverages contrastive learning principles to map similar instances closer in the feature space while distancing dissimilar ones, a strategy not extensively explored in solar flare prediction tasks. This approach not only addresses class imbalance but also offers a versatile solution applicable to univariate and multivariate time series across binary and multiclass classification problems. Experimental results, including evaluations on the benchmark solar flare dataset and multiple time series archive datasets with binary and multiclass labels, demonstrate EXCON's efficacy in enhancing classification performance.
• Abstract（参考訳）: ヘリオ物理研究において、太陽フレアの予測は、宇宙ベースのシステムと地球のインフラの両方に大きく影響する可能性があるため、重要である。 太陽観測観測所が記録した太陽活動領域からの磁場データを多変量時系列に変換することにより、時間的窓面解析による太陽フレア予測を可能にする。 多変量時系列駆動型太陽フレア予測の領域では、多変量時系列表現学習の効果的な戦略と重大クラス不均衡に対処することが、堅牢な予測モデルを開発する上で重要である。 従来の方法では、主要な太陽フレアが頻繁に発生するような予測タスクにおいて、大多数のクラスに過度に適合するのに苦労することが多い。 このような不均衡の中で、分類性能を高めるために設計されたコントラスト表現学習フレームワークEXCONを提示する。 EXCONは、多変量時系列データからコア特徴を取得すること、クラス間の分離を最大化するために各クラスに特徴的なコントラスト表現を選択すること、カスタムの極端再構成損失で時間的特徴埋め込みモジュールをトレーニングしてクラス内の変動を最小限に抑えること、学習した埋め込みに分類器を適用すること、の4段階からなる。 提案手法は、対照的な学習原理を利用して、類似したインスタンスを特徴空間に近くマッピングし、異種インスタンスを分散させ、太陽フレア予測タスクにおいて広範囲に探索しない戦略である。 このアプローチは、クラス不均衡に対処するだけでなく、バイナリとマルチクラスの分類問題にまたがる一変量および多変量時系列に適用可能な汎用的なソリューションを提供する。 ベンチマーク太陽フレアデータセットとバイナリとマルチクラスラベルを用いた複数時系列アーカイブデータセットの評価を含む実験結果は、分類性能の向上におけるEXCONの有効性を実証している。

関連論文リスト

• Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data [1.024113475677323]
  太陽フレアは太陽の磁束の急激な急上昇であり、技術基盤に大きなリスクをもたらす。 本稿では,多変量時系列データに対する新しいコントラクティブ表現学習手法であるConTREXを紹介する。 提案手法は, 太陽フレア (SWAN-SF) 多変量時系列ベンチマークデータセットにおいて, 有望な太陽フレア予測結果を示すものである。
  論文  参考訳（メタデータ） (2024-10-01T01:20:47Z)
• Enhancing Multivariate Time Series-based Solar Flare Prediction with Multifaceted Preprocessing and Contrastive Learning [0.9374652839580181]
  正確な太陽フレア予測は、宇宙飛行士、宇宙機器、衛星通信システムに強い太陽フレアがもたらす重大なリスクのために重要である。 本研究は、先進的なデータ前処理と分類手法を利用して、太陽フレア予測を強化する。
  論文  参考訳（メタデータ） (2024-09-21T05:00:34Z)
• Towards Hybrid Embedded Feature Selection and Classification Approach with Slim-TSF [0.0]
  本研究の目的は、太陽フレアとその起源領域の隠れた関係と進化的特性を明らかにすることである。 True Skill Statistic (TSS) とHeidke Skill Score (HSS) の双方で平均5%の増加が認められた。
  論文  参考訳（メタデータ） (2024-09-06T18:12:05Z)
• Entropy Guided Extrapolative Decoding to Improve Factuality in Large Language Models [55.45444773200529]
  大きな言語モデル(LLM)は印象的な自然言語能力を示すが、幻覚に苦しむ。 最近の研究は推論時の事実性を改善するための復号化技術に焦点を当てている。
  論文  参考訳（メタデータ） (2024-04-14T19:45:35Z)
• Active Region-based Flare Forecasting with Sliding Window Multivariate Time Series Forest Classifiers [0.0]
  我々は、高次元データに使用される複雑で理解できないブラックボックスモデルと関連するサブインターバルの探索の間のギャップを橋渡しする。 本研究は, 太陽フレア予測において, 風下時系列森林分類器が有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-05T19:34:12Z)
• 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)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification [0.0]
  太陽フレア発生確率を1,3,6,12,24,48,72,96時間枠で予測するcnnを提案する。 静止運用環境衛星(GOES)X線時系列データ(1998年7月から2019年1月まで)。
  論文  参考訳（メタデータ） (2021-01-29T12:55:57Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。