論文の概要: A multi-scale loss formulation for learning a probabilistic model with proper score optimisation

• arxiv url: http://arxiv.org/abs/2506.10868v1
• Date: Thu, 12 Jun 2025 16:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.836071
• Title: A multi-scale loss formulation for learning a probabilistic model with proper score optimisation
• Title（参考訳）: 適切なスコア最適化による確率モデル学習のためのマルチスケール損失定式化
• Authors: Simon Lang, Martin Leutbecher, Pedro Maciel,
• Abstract要約: 欧州中距離気象予報センター(ECMWF)で開発された機械学習型気象予報モデルであるAIFS-CRPSでマルチスケール損失が試験された。 マルチスケールの損失は、予測スキルに悪影響を及ぼすことなく、小さなスケールの変動性をよりよく制約する。 これにより、スケールアウェアモデルトレーニングにおける将来の作業への有望な方向性が開かれます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We assess the impact of a multi-scale loss formulation for training probabilistic machine-learned weather forecasting models. The multi-scale loss is tested in AIFS-CRPS, a machine-learned weather forecasting model developed at the European Centre for Medium-Range Weather Forecasts (ECMWF). AIFS-CRPS is trained by directly optimising the almost fair continuous ranked probability score (afCRPS). The multi-scale loss better constrains small scale variability without negatively impacting forecast skill. This opens up promising directions for future work in scale-aware model training.
• Abstract（参考訳）: 確率論的機械学習型天気予報モデルの訓練におけるマルチスケール損失定式化の効果を評価する。 マルチスケールの損失は、欧州中距離気象予報センター(ECMWF)で開発された機械学習による天気予報モデルであるAIFS-CRPSでテストされている。 AIFS-CRPSは、ほぼ公正な連続的な確率スコア(afCRPS)を直接最適化することで訓練される。 マルチスケールの損失は、予測スキルに悪影響を及ぼすことなく、小さなスケールの変動性をよりよく制約する。 これにより、スケールアウェアモデルトレーニングにおける将来の作業への有望な方向性が開かれます。

関連論文リスト

• Improving probabilistic forecasts of extreme wind speeds by training statistical post-processing models with weighted scoring rules [0.0]
  閾値重み付き連続ランク確率スコア(twCRPS)を用いたトレーニングは、後処理モデルの極端なイベント性能を向上させる。 極端事象の確率論的予測の性能が向上し,分布物体の予測性能が低下する分布体テールトレードオフが発見された。
  論文  参考訳（メタデータ） (2024-07-22T11:07:52Z)
• 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)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Machine learning for total cloud cover prediction [0.0]
  本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。 生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
  論文  参考訳（メタデータ） (2020-01-16T17:13:37Z)

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。