論文の概要: Rethinking deep learning: linear regression remains a key benchmark in predicting terrestrial water storage

• arxiv url: http://arxiv.org/abs/2510.10799v1
• Date: Sun, 12 Oct 2025 20:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.110122
• Title: Rethinking deep learning: linear regression remains a key benchmark in predicting terrestrial water storage
• Title（参考訳）: 深層学習を再考する: 線形回帰は地球上の貯水量を予測する重要な指標である
• Authors: Wanshu Nie, Sujay V. Kumar, Junyu Chen, Long Zhao, Olya Skulovich, Jinwoong Yoo, Justin Pflug, Shahryar Khalique Ahmad, Goutam Konapala,
• Abstract要約: 線形回帰は, より複雑なLSTMとテンポラルフュージョン変換器とを比較検討した結果, 線形回帰は頑健なベンチマークであることがわかった。 本研究は,ディープラーニングモデルの開発と評価において,従来の統計モデルをベンチマークとして含めることの重要性を強調した。 我々は、自然変動と人間の介入の複合的な影響を捉えるために、グローバルに代表されるベンチマークデータセットを確立するための重要な必要性を強調します。
• 参考スコア（独自算出の注目度）: 11.462378606382439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in machine learning such as Long Short-Term Memory (LSTM) models and Transformers have been widely adopted in hydrological applications, demonstrating impressive performance amongst deep learning models and outperforming physical models in various tasks. However, their superiority in predicting land surface states such as terrestrial water storage (TWS) that are dominated by many factors such as natural variability and human driven modifications remains unclear. Here, using the open-access, globally representative HydroGlobe dataset - comprising a baseline version derived solely from a land surface model simulation and an advanced version incorporating multi-source remote sensing data assimilation - we show that linear regression is a robust benchmark, outperforming the more complex LSTM and Temporal Fusion Transformer for TWS prediction. Our findings highlight the importance of including traditional statistical models as benchmarks when developing and evaluating deep learning models. Additionally, we emphasize the critical need to establish globally representative benchmark datasets that capture the combined impact of natural variability and human interventions.
• Abstract（参考訳）: 近年、Long Short-Term Memory(LSTM)モデルやTransformerといった機械学習の進歩が水文学的応用に広く採用され、ディープラーニングモデルにおける顕著なパフォーマンスと、様々なタスクにおける物理モデルのパフォーマンスを誇示している。 しかし, 自然変動や人為的変化など多くの要因に支配されるTWSなどの地表面状態の予測における優位性は, いまだに不明である。 ここでは,ランドサーフェスモデルシミュレーションから派生したベースラインバージョンと,マルチソースリモートセンシングデータ同化を組み込んだ高度なバージョンを含む,オープンアクセスでグローバルに代表されるHydroGlobeデータセットを用いて,線形回帰が堅牢なベンチマークであることを示し,より複雑なLSTMとテンポラルフュージョントランスフォーマーをTWS予測で上回ることを示す。 本研究は,ディープラーニングモデルの開発と評価において,従来の統計モデルをベンチマークとして含めることの重要性を強調した。 さらに、自然変数と人間の介入の複合的な影響を捉えるために、グローバルに代表されるベンチマークデータセットを確立することの重要性も強調する。

関連論文リスト

• Extreme value forecasting using relevance-based data augmentation with deep learning models [3.503370263836711]
  本研究では,極値予測のためのデータ拡張フレームワークを提案する。 我々は、GANや合成マイノリティオーバーサンプリング技術(SMOTE)といったデータ拡張モデルと組み合わせて、ディープラーニングモデルを使用する。 以上の結果から,SMOTEをベースとした戦略は高い適応性を示し,短期・長期の予測における性能向上につながることが示唆された。
  論文  参考訳（メタデータ） (2025-10-02T06:10:27Z)
• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Approaches for enhancing extrapolability in process-based and data-driven models in hydrology [0.16735447464058464]
  本稿では,プロセスベースおよびデータ駆動型水文モデルにおける外挿可能性の評価・向上手法をレビューし,比較する。 主要な戦略は、未ゲージ領域におけるモデルパフォーマンスを評価するために、残余のクロスバリデーションと類似性に基づく手法の使用である。 ディープラーニング、トランスファーラーニング、ドメイン適応技術も、データスパースおよび極端な条件下でモデル予測を改善する可能性を約束している。
  論文  参考訳（メタデータ） (2024-08-13T17:59:24Z)
• DeepVARMA: A Hybrid Deep Learning and VARMA Model for Chemical Industry Index Forecasting [14.738606795298043]
  本稿では,LSTMモデルとVARMAXモデルを組み合わせた新しい予測モデルであるDeepVARMAを提案する。 実験結果から,新しいモデルでは予測精度が最良であることが示唆された。 本研究は, 化学産業における今後の開発・科学的意思決定のための, より正確なツールと方法を提供する。
  論文  参考訳（メタデータ） (2024-04-26T09:15:26Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Differentiable, learnable, regionalized process-based models with physical outputs can approach state-of-the-art hydrologic prediction accuracy [1.181206257787103]
  地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。 我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
  論文  参考訳（メタデータ） (2022-03-28T15:06:53Z)
• Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
  本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。 本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。 本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-06T14:52:53Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。