論文の概要: Breaking the Statistical Similarity Trap in Extreme Convection Detection

• arxiv url: http://arxiv.org/abs/2509.09195v1
• Date: Thu, 11 Sep 2025 07:10:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.257725
• Title: Breaking the Statistical Similarity Trap in Extreme Convection Detection
• Title（参考訳）: 極端対流検出における統計的類似点の破断
• Authors: Md Tanveer Hossain Munim,
• Abstract要約: ディープラーニング気象モデルの現在の評価指標は、希少で高影響のイベントを欠いている間、ぼやけた予測に報いる。 DARTは、粗大な大気予測を高解像度の衛星温度場に変換するという課題に対処するフレームワークである。 DARTは、背景/極端分解、物理的にモチベーションを得たオーバーサンプリング、タスク固有の損失関数を備えたデュアルデコーダアーキテクチャを採用している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current evaluation metrics for deep learning weather models create a "Statistical Similarity Trap", rewarding blurry predictions while missing rare, high-impact events. We provide quantitative evidence of this trap, showing sophisticated baselines achieve 97.9% correlation yet 0.00 CSI for dangerous convection detection. We introduce DART (Dual Architecture for Regression Tasks), a framework addressing the challenge of transforming coarse atmospheric forecasts into high-resolution satellite brightness temperature fields optimized for extreme convection detection (below 220 K). DART employs dual-decoder architecture with explicit background/extreme decomposition, physically motivated oversampling, and task-specific loss functions. We present four key findings: (1) empirical validation of the Statistical Similarity Trap across multiple sophisticated baselines; (2) the "IVT Paradox", removing Integrated Water Vapor Transport, widely regarded as essential for atmospheric river analysis, improves extreme convection detection by 270%; (3) architectural necessity demonstrated through operational flexibility (DART achieves CSI = 0.273 with bias = 2.52 vs. 6.72 for baselines at equivalent CSI), and (4) real-world validation with the August 2023 Chittagong flooding disaster as a case study. To our knowledge, this is the first work to systematically address this hybrid conversion-segmentation-downscaling task, with no direct prior benchmarks identified in existing literature. Our validation against diverse statistical and deep learning baselines sufficiently demonstrates DART's specialized design. The framework enables precise operational calibration through beta-tuning, trains in under 10 minutes on standard hardware, and integrates seamlessly with existing meteorological workflows, demonstrating a pathway toward trustworthy AI for extreme weather preparedness.
• Abstract（参考訳）: ディープラーニング気象モデルの現在の評価指標は、稀で高影響のイベントを欠いたまま、ぼやけた予測に報いる"統計的類似性トラップ"を作成している。 我々はこのトラップの定量的な証拠を提供し、洗練されたベースラインは97.9%の相関を達成できたが、危険な対流検出のために0.00 CSIを達成した。 DART(Dual Architecture for Regression Tasks)は, 極端対流検出に最適化された高分解能の衛星輝度温度場(220K以下)に粗大な大気予測を変換するという課題に対処するフレームワークである。 DARTはデュアルデコーダアーキテクチャを採用しており、背景/極限分解、物理的にモチベーションを得たオーバーサンプリング、タスク固有の損失関数を備えている。 以上の結果から,(1)高度ベースライン間の統計的類似度トラップの実証的検証,(2)大気解析に不可欠な統合水蒸気輸送の除去,(2)極端対流検出の270%向上,(3)運用柔軟性によるアーキテクチャ上の必要条件(CSI=0.273,バイアス=2.52対6.72,(4)2023年8月チッタゴン洪水災害による実世界検証),の4点を考察した。 我々の知る限り、このハイブリッド変換-セグメンテーション-ダウンスケーリングタスクに体系的に対処する最初の取り組みであり、既存の文献では直接の事前ベンチマークは特定されていない。 多様な統計的・深層学習ベースラインに対する検証は、DARTの特殊設計を十分に証明している。 このフレームワークは、ベータチューニングによる正確なオペレーショナルキャリブレーションを可能にし、標準ハードウェア上で10分未満でトレーニングし、既存の気象ワークフローとシームレスに統合し、極端な気象予兆のために信頼できるAIへの道筋を示す。

関連論文リスト

• Contrastive-KAN: A Semi-Supervised Intrusion Detection Framework for Cybersecurity with scarce Labeled Data [0.0]
  半教師付きコントラスト学習フレームワークに基づくリアルタイム侵入検知システムを提案する。 本手法は, ラベルのないデータを利用して, 正常な動作と攻撃動作を効果的に識別する。 実験結果から,本手法は既存のコントラスト学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-07-14T21:02:34Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• 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)
• Inference from Real-World Sparse Measurements [21.194357028394226]
  実世界の問題は、しばしば複雑で非構造的な測定セットが伴うが、これはセンサーが空間または時間に狭く配置されているときに起こる。 セットからセットまで様々な位置で測定セットを処理し、どこででも読み出しを抽出できるディープラーニングアーキテクチャは、方法論的に困難である。 本稿では,適用性と実用的堅牢性に着目したアテンションベースモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-20T13:42:20Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)

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。