論文の概要: FLARE-SSM: Deep State Space Models with Influence-Balanced Loss for 72-Hour Solar Flare Prediction

• arxiv url: http://arxiv.org/abs/2509.09988v1
• Date: Fri, 12 Sep 2025 06:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.989007
• Title: FLARE-SSM: Deep State Space Models with Influence-Balanced Loss for 72-Hour Solar Flare Prediction
• Title（参考訳）: FLARE-SSM:72時間太陽フレア予測のための影響分散損失を持つ深部状態空間モデル
• Authors: Yusuke Takagi, Shunya Nagashima, Komei Sugiura,
• Abstract要約: この研究は、72時間以内に起こると予測される最大の太陽フレアのクラスを予測するタスクに対処する。 既存のメソッドは、フレアクラス間の深刻なクラス不均衡に適切に対処できないことが多い。 クラス不均衡下での予測性能と信頼性を向上させるために、周波数・局所境界対応信頼性損失(FLARE損失)を導入する。
• 参考スコア（独自算出の注目度）: 2.470616864878448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and reliable solar flare predictions are essential to mitigate potential impacts on critical infrastructure. However, the current performance of solar flare forecasting is insufficient. In this study, we address the task of predicting the class of the largest solar flare expected to occur within the next 72 hours. Existing methods often fail to adequately address the severe class imbalance across flare classes. To address this issue, we propose a solar flare prediction model based on multiple deep state space models. In addition, we introduce the frequency & local-boundary-aware reliability loss (FLARE loss) to improve predictive performance and reliability under class imbalance. Experiments were conducted on a multi-wavelength solar image dataset covering a full 11-year solar activity cycle. As a result, our method outperformed baseline approaches in terms of both the Gandin-Murphy-Gerrity score and the true skill statistic, which are standard metrics in terms of the performance and reliability.
• Abstract（参考訳）: 正確な太陽フレア予測は、重要なインフラに対する潜在的な影響を軽減するために不可欠である。 しかし、現在の太陽フレア予測性能は不十分である。 本研究では,今後72時間以内に発生すると思われる最大規模の太陽フレアの類型を予測するという課題に対処する。 既存のメソッドは、フレアクラス間の深刻なクラス不均衡に適切に対処できないことが多い。 この問題に対処するため,複数の深部空間モデルに基づく太陽フレア予測モデルを提案する。 さらに、クラス不均衡下での予測性能と信頼性を向上させるために、周波数・局所境界対応信頼性損失(FLARE損失)を導入する。 完全な11年間の太陽活動サイクルをカバーする多波長の太陽画像データセットを用いて実験を行った。 その結果,本手法は,Gangin-Murphy-Gerrityスコアと,性能と信頼性の基準指標である真のスキル統計の両方の観点から,ベースラインアプローチよりも優れていた。

関連論文リスト

• Deep Space Weather Model: Long-Range Solar Flare Prediction from Multi-Wavelength Images [1.0742675209112622]
  Deep Space Weather Model(ディープ・スペース・ウェザー・モデル、ディープ・SWM)は、10チャンネルの太陽画像と長距離の時間的依存関係の両方を扱う複数のディープ・ステート・スペース・モデルに基づいている。 FlareBenchは、太陽フレア予測のための公開ベンチマークで、11年間の太陽活動サイクルをカバーしています。 提案手法は,基準基準法と人的専門家による標準指標の性能を,性能と信頼性の点で上回った。
  論文  参考訳（メタデータ） (2025-08-11T11:06:56Z)
• Towards Hybrid Embedded Feature Selection and Classification Approach with Slim-TSF [0.0]
  本研究の目的は、太陽フレアとその起源領域の隠れた関係と進化的特性を明らかにすることである。 True Skill Statistic (TSS) とHeidke Skill Score (HSS) の双方で平均5%の増加が認められた。
  論文  参考訳（メタデータ） (2024-09-06T18:12:05Z)
• 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)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
  機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。 線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。 改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
  論文  参考訳（メタデータ） (2020-10-25T17:56:03Z)

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。