論文の概要: AT Loss: Advanced Torrential Loss Function for Precipitation Forecasting

• arxiv url: http://arxiv.org/abs/2509.01348v1
• Date: Mon, 01 Sep 2025 10:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.648468
• Title: AT Loss: Advanced Torrential Loss Function for Precipitation Forecasting
• Title（参考訳）: AT Loss: 降雨予報のための高度なトータル損失関数
• Authors: Jaeho Choi, Hyeri Kim, Kwang-Ho Kim, Jaesung Lee,
• Abstract要約: 簡単なペナルティ表現を導入し、これを2次非制約バイナリ最適化(QUBO)として再解釈する。 最終的に、結果のQUBOの定式化は近似過程を通じて微分可能な高度ねじれ損失関数(AT)に緩和される。 提案したAT損失は,リプシッツ定数,予測性能評価,整合性実験,アブレーション研究を通じてその優位性を示す。
• 参考スコア（独自算出の注目度）: 13.53402130273998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate precipitation forecasting is becoming increasingly important in the context of climate change. In response, machine learning-based approaches have recently gained attention as an emerging alternative to traditional methods such as numerical weather prediction and climate models. Nonetheless, many recent approaches still rely on off-the-shelf loss functions, and even the more advanced ones merely involve optimization processes based on the critical success index (CSI). The problem, however, is that CSI may become ineffective during extended dry periods when precipitation remains below the threshold, rendering it less than ideal as a criterion for optimization. To address this limitation, we introduce a simple penalty expression and reinterpret it as a quadratic unconstrained binary optimization (QUBO) formulation. Ultimately, the resulting QUBO formulation is relaxed into a differentiable advanced torrential (AT) loss function through an approximation process. The proposed AT loss demonstrates its superiority through the Lipschitz constant, forecast performance evaluations, consistency experiments, and ablation studies with the operational model.
• Abstract（参考訳）: 気候変動の文脈では、正確な降水予測がますます重要になっている。 これに対し、機械学習に基づくアプローチは、最近、数値天気予報や気候モデルといった従来の手法に代わる新しい方法として注目されている。 しかし、近年の多くのアプローチは相変わらずオフ・ザ・シェルフの損失関数に依存しており、さらに先進的なアプローチでさえも、臨界成功指数(CSI)に基づいた最適化プロセスにのみ依存している。 しかし, 降水量がしきい値以下である場合には, CSIは乾燥期間が長くなるため, 最適化基準として理想的ではない。 この制限に対処するため、簡単なペナルティ表現を導入し、2次非制約バイナリ最適化(QUBO)として再解釈する。 最終的に、結果のQUBOの定式化は近似過程を通じて微分可能な高度ねじれ損失関数(AT)に緩和される。 提案したAT損失は,リプシッツ定数,予測性能評価,整合性実験,および演算モデルによるアブレーション研究を通じて,その優位性を示す。

関連論文リスト

• Smart Predict-then-Optimize Method with Dependent Data: Risk Bounds and Calibration of Autoregression [7.369846475695131]
  本稿では,決定段階における最適化問題を直接対象とする自己回帰型SPO手法を提案する。 我々は, 絶対損失と最小二乗損失と比較して, SPO+サロゲートの有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-11-19T17:02:04Z)
• 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)
• Decision-Focused Learning with Directional Gradients [1.2363103948638432]
  そこで我々は,予測最適化フレームワークとして,摂動勾配損失(PG損失)と呼ばれる,決定を意識した新たなサロゲート損失のファミリーを提案する。 通常、断片的に一定かつ不連続な元の決定損失とは異なり、新しいPG損失はリプシッツ連続であり、凹函数の違いである。 我々は,PG損失が,基礎モデルが不明確である場合に,既存の提案よりも実質上優れていることを示す数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-02-05T18:14:28Z)
• 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)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Robust Losses for Decision-Focused Learning [2.9652474178611405]
  決定にフォーカスした学習は、最適下決定を行うことで後悔を最小限に抑えるために予測モデルを訓練することを目的としている。 経験的最適決定は期待された最適決定と大きく異なるため、経験的後悔は非効果的な代理となり得る。 より強固に予測された後悔を近似する3つの新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2023-10-06T15:45:10Z)
• Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
  タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。 我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。 本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:42:27Z)
• A Flatter Loss for Bias Mitigation in Cross-dataset Facial Age Estimation [37.107335288543624]
  年齢推定ベンチマークのためのクロスデータセットプロトコルを提唱する。 本稿では,ニューラルネットワークのトレーニングに有効な新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2020-10-20T15:22:29Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。