論文の概要: Custom Loss Functions in Fuel Moisture Modeling

• arxiv url: http://arxiv.org/abs/2501.10401v1
• Date: Fri, 03 Jan 2025 01:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-26 03:08:35.616098
• Title: Custom Loss Functions in Fuel Moisture Modeling
• Title（参考訳）: 燃料水分モデリングにおけるカスタム損失関数
• Authors: Jonathon Hirschi,
• Abstract要約: 燃料水分含有量(FMC)は拡散の山火事率(ROS)の予測因子である 本研究では, FMCの各種機械学習モデルを用いて, 乾式燃料に重みを与えるカスタム損失関数について検討した。 その結果,ROS予測におけるカスタム損失関数の精度は,少ない値で向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Fuel moisture content (FMC) is a key predictor for wildfire rate of spread (ROS). Machine learning models of FMC are being used more in recent years, augmenting or replacing traditional physics-based approaches. Wildfire rate of spread (ROS) has a highly nonlinear relationship with FMC, where small differences in dry fuels lead to large differences in ROS. In this study, custom loss functions that place more weight on dry fuels were examined with a variety of machine learning models of FMC. The models were evaluated with a spatiotemporal cross-validation procedure to examine whether the custom loss functions led to more accurate forecasts of ROS. Results show that the custom loss functions improved accuracy for ROS forecasts by a small amount. Further research would be needed to establish whether the improvement in ROS forecasts leads to more accurate real-time wildfire simulations.
• Abstract（参考訳）: 燃料含水率 (FMC) は山火事発生率 (ROS) の予測因子である。 近年、FMCの機械学習モデルは、従来の物理学に基づくアプローチの強化や置き換えなど、より多く利用されている。 ワイルドファイア・オブ・スプレッド (ROS) は, 乾式燃料の小さな相違がROSに大きな相違をもたらすFMCと非常に非線形な関係を持つ。 本研究では, FMCの各種機械学習モデルを用いて, 乾式燃料に重みを与えるカスタム損失関数について検討した。 カスタム損失関数がROSのより正確な予測に繋がったかどうかを調べるために,時空間クロスバリデーション法を用いて評価した。 その結果,ROS予測におけるカスタム損失関数の精度は,少ない値で向上した。 ROS予測の改善がより正確なリアルタイムの山火事シミュレーションに繋がるかどうかを確かめるためには、さらなる研究が必要である。

関連論文リスト

• Fire-Image-DenseNet (FIDN) for predicting wildfire burnt area using remote sensing data [15.516417504988313]
  深層学習に基づく予測モデルFire-Image-DenseNet(FIDN)を開発した。 FIDNは、山火事の環境および気象要因に関する、ほぼリアルタイムおよび再分析データから得られた空間的特徴を用いる。 平均二乗誤差 (MSE) は, 細胞オートマトン (CA) と最小走行時間 (MTT) に基づく予測モデルよりも約82%, 67%低い値を示した。
  論文  参考訳（メタデータ） (2024-12-02T11:35:31Z)
• Analyzing and Exploring Training Recipes for Large-Scale Transformer-Based Weather Prediction [1.3194391758295114]
  比較的オフ・ザ・シェルフアーキテクチャ、簡単な訓練手順、適度な計算予算でも高い予測能力が得られることを示す。 具体的には、ERA5データに基づいて最小修正SwinV2変換器をトレーニングし、IFSと比較すると優れた予測技術が得られることを確かめる。
  論文  参考訳（メタデータ） (2024-04-30T15:30:14Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction [11.960234424309265]
  本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。 EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。 以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
  論文  参考訳（メタデータ） (2023-08-12T13:17:09Z)
• Scaling Relationship on Learning Mathematical Reasoning with Large Language Models [75.29595679428105]
  本研究では,事前学習損失,教師付きデータ量,拡張データ量が教師付きLDMの推論性能に与える影響について検討する。 複数のモデルからの拒絶サンプルは、LLaMA-7BをGSM8Kの49.3%の精度に押し上げ、監督された微調整(SFT)の精度を35.9%上回る結果となった。
  論文  参考訳（メタデータ） (2023-08-03T15:34:01Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Machine Learning and VIIRS Satellite Retrievals for Skillful Fuel Moisture Content Monitoring in Wildfire Management [0.0]
  植生の燃料水分量(FMC)のモニタリングは、火災の影響を管理し緩和するために重要である。 In situ FMC観測と数値天気予報(NWP)モデルと衛星検索の組み合わせにより、機械学習(ML)モデルの開発により、連続した米国(CONUS)上でのFMCの致命的検索を推定できるようになった。 本研究では,国立水モデルと高分解能ラピッドリフレッシュ(HRRR)NWPモデル,および表面特性を特徴付ける静的変数,および表面反射率と陸面温度(LST)検索を用いてMLモデルを訓練した。
  論文  参考訳（メタデータ） (2023-05-17T21:48:02Z)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)

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。