論文の概要: An Analysis of Temporal Dropout in Earth Observation Time Series for Regression Tasks

• arxiv url: http://arxiv.org/abs/2504.06915v1
• Date: Wed, 09 Apr 2025 14:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:33:18.207839
• Title: An Analysis of Temporal Dropout in Earth Observation Time Series for Regression Tasks
• Title（参考訳）: 回帰作業のための地球観測時系列における時間差の解析
• Authors: Miro Miranda, Francisco Mena, Andreas Dengel,
• Abstract要約: モンテカルロ・テンポラル・ドロップアウト (MC-TD) は, 推論中の時間ステップをランダムに減少させることにより, 入力レベルの不確実性を明示的に考慮する手法である。 我々は,モンテカルロコンクリートテンポラルドロップアウト(MC-ConcTD)を用いて,最適なドロップアウト分布を直接学習する手法を拡張した。 3つのEO時系列データセットの実験により、MC-ConcTDは既存のアプローチと比較して予測性能と不確実性校正を改善することが示された。
• 参考スコア（独自算出の注目度）: 4.707950656037167
• License:
• Abstract: Missing instances in time series data impose a significant challenge to deep learning models, particularly in regression tasks. In the Earth Observation field, satellite failure or cloud occlusion frequently results in missing time-steps, introducing uncertainties in the predicted output and causing a decline in predictive performance. While many studies address missing time-steps through data augmentation to improve model robustness, the uncertainty arising at the input level is commonly overlooked. To address this gap, we introduce Monte Carlo Temporal Dropout (MC-TD), a method that explicitly accounts for input-level uncertainty by randomly dropping time-steps during inference using a predefined dropout ratio, thereby simulating the effect of missing data. To bypass the need for costly searches for the optimal dropout ratio, we extend this approach with Monte Carlo Concrete Temporal Dropout (MC-ConcTD), a method that learns the optimal dropout distribution directly. Both MC-TD and MC-ConcTD are applied during inference, leveraging Monte Carlo sampling for uncertainty quantification. Experiments on three EO time-series datasets demonstrate that MC-ConcTD improves predictive performance and uncertainty calibration compared to existing approaches. Additionally, we highlight the advantages of adaptive dropout tuning over manual selection, making uncertainty quantification more robust and accessible for EO applications.
• Abstract（参考訳）: 時系列データのインスタンスの欠落は、特に回帰タスクにおいて、ディープラーニングモデルに重大な課題を課す。 地球観測の分野では、衛星の故障や雲の閉塞がしばしば時間ステップの欠如を引き起こし、予測出力に不確実性を導入し、予測性能が低下する。 多くの研究は、モデルロバスト性を改善するためにデータ拡張による欠落した時間ステップに対処するが、入力レベルで生じる不確実性は一般的に見過ごされる。 このギャップに対処するために、事前に定義されたドロップアウト比を用いて推論中にランダムにタイムステップを落とし、入力レベルの不確実性を明示的に説明し、欠落データの効果をシミュレートするモンテカルロ・テンポラル・ドロップアウト(MC-TD)を導入する。 最適なドロップアウト比を求めるために,モンテカルロコンクリートテンポラルドロップアウト(MC-ConcTD)を用いて,最適なドロップアウト分布を直接学習する手法を提案する。 MC-TDおよびMC-ConcTDは、モンテカルロサンプリングを用いて不確実な定量化を行う。 3つのEO時系列データセットの実験により、MC-ConcTDは既存のアプローチと比較して予測性能と不確実性校正を改善することが示された。 さらに、手動選択よりも適応的なドロップアウトチューニングの利点を強調し、不確かさの定量化をより堅牢で、EOアプリケーションにとってアクセスしやすいものにする。

関連論文リスト

• Error-quantified Conformal Inference for Time Series [40.438171912992864]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• STTS-EAD: Improving Spatio-Temporal Learning Based Time Series Prediction via [7.247017092359663]
  時系列予測のトレーニングプロセスに異常をシームレスに統合するエンドツーエンドのSTTS-EADを提案する。 提案するSTTS-EADは,時間的情報を用いて予測と異常検出を行う。 提案手法は,トレーニング段階において検出された異常を効果的に処理し,推論段階における予測性能を向上し,ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-01-14T03:26:05Z)
• STAA: Spatio-Temporal Alignment Attention for Short-Term Precipitation Forecasting [9.177158814568887]
  SATAを時間的アライメントモジュールとし、STAUを時間的アライメント特徴抽出器とする、時間的アライメントに基づく短期降水予測モデル。 衛星データとERA5データに基づいて、我々のモデルはRMSEの12.61%の改善を達成し、最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-09-06T10:28:52Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• 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)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Monte Carlo EM for Deep Time Series Anomaly Detection [6.312089019297173]
  時系列データは、しばしば外れ値や他の種類の異常によって破壊される。 異常検出と予測への最近のアプローチは、トレーニングデータの異常の割合が無視できるほど小さいと仮定している。 本稿では,既存の時系列モデルを拡張して,トレーニングデータの異常を明示的に考慮する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-29T07:52:36Z)
• Neighborhood Spatial Aggregation MC Dropout for Efficient Uncertainty-aware Semantic Segmentation in Point Clouds [8.98036662506975]
  不確実性を考慮した点雲のセマンティックセマンティックセグメンテーションには、予測的不確実性推定と不確実性誘導モデル最適化が含まれる。 広く使われているMCドロップアウトは、複数の前方伝播を用いてサンプルの標準偏差を計算することによって分布を確立する。 MCドロップアウトの変種であるNSA-MCドロップアウトを組み込んだフレームワークが提案され、たった1つのフォワードパスで配布を確立する。
  論文  参考訳（メタデータ） (2021-12-05T02:22:32Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Targeted stochastic gradient Markov chain Monte Carlo for hidden Markov models with rare latent states [48.705095800341944]
  隠れマルコフモデルのためのマルコフ連鎖モンテカルロ (MCMC) アルゴリズムは、しばしば前向きのサンプリング器に依存する。 これにより、時系列の長さが増加するにつれて計算が遅くなり、サブサンプリングベースのアプローチの開発が動機となる。 本稿では,パラメータの勾配を計算する際に,希少な潜伏状態に対応するオーバーサンプリング観測を対象とするサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2018-10-31T17:44:20Z)

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。