論文の概要: Extreme Event Aware ($η$-) Learning

• arxiv url: http://arxiv.org/abs/2510.19161v1
• Date: Wed, 22 Oct 2025 01:33:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.920567
• Title: Extreme Event Aware ($η$-) Learning
• Title（参考訳）: Extreme Event Aware (η$-) Learning
• Authors: Kai Chang, Themistoklis P. Sapsis,
• Abstract要約: 利用可能なデータに極端なイベントが存在すると仮定しないExtreme Event Aware(e2aまたはeta)や$eta$-learningを導入する。 この種の統計正則化は、所定の観測可能な統計値との整合性を保ちながら、観測されたデータに適合するモデルをもたらす。
• 参考スコア（独自算出の注目度）: 1.1279808969568255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying and predicting rare and extreme events persists as a crucial yet challenging task in understanding complex dynamical systems. Many practical challenges arise from the infrequency and severity of these events, including the considerable variance of simple sampling methods and the substantial computational cost of high-fidelity numerical simulations. Numerous data-driven methods have recently been developed to tackle these challenges. However, a typical assumption for the success of these methods is the occurrence of multiple extreme events, either within the training dataset or during the sampling process. This leads to accurate models in regions of quiescent events but with high epistemic uncertainty in regions associated with extremes. To overcome this limitation, we introduce Extreme Event Aware (e2a or eta) or $\eta$-learning which does not assume the existence of extreme events in the available data. $\eta$-learning reduces the uncertainty even in `uncharted' extreme event regions, by enforcing the extreme event statistics of an observable indicative of extremeness during training, which can be available through qualitative arguments or estimated with unlabeled data. This type of statistical regularization results in models that fit the observed data, while enforcing consistency with the prescribed observable statistics, enabling the generation of unprecedented extreme events even when the training data lack extremes therein. Theoretical results based on optimal transport offer a rigorous justification and highlight the optimality of the introduced method. Additionally, extensive numerical experiments illustrate the favorable properties of the $\eta$-learning framework on several prototype problems and real-world precipitation downscaling problems.
• Abstract（参考訳）: 稀で極端な事象の定量化と予測は、複雑な力学系を理解する上で重要な課題であり続ける。 多くの実用的な課題は、単純なサンプリング法のかなりのばらつきや、高忠実度数値シミュレーションのかなりの計算コストなど、これらの事象の頻度と重大さから生じる。 これらの課題に対処するために、最近多くのデータ駆動手法が開発されている。 しかしながら、これらの手法の成功の典型的な前提は、トレーニングデータセット内またはサンプリングプロセス中に複数の極端なイベントが発生することである。 これにより、平衡事象の領域における正確なモデルが導かれるが、極端な事象に関連する領域において高い疫学的不確実性をもたらす。 この制限を克服するために、利用可能なデータに極端なイベントが存在すると仮定しないExtreme Event Aware(e2aまたはeta)や$\eta$-learningを導入します。 $\eta$-learningは、トレーニング中の極度の観測可能な指標の極端な事象統計を強制することにより、'uncharted'極端なイベント領域においても不確実性を低減します。 この種の統計正則化は、観測されたデータに適合するモデルに、所定の観測可能な統計値と整合性を持たせるとともに、トレーニングデータが極端に不足している場合でも、前例のない極端な事象を発生させることができる。 最適輸送に基づく理論的結果は、厳密な正当化を提供し、導入した手法の最適性を強調する。 さらに、大規模な数値実験では、いくつかのプロトタイプ問題と実際の降水ダウンスケーリング問題に対する$\eta$-learningフレームワークの好ましい性質が示されている。

関連論文リスト

• xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion [65.63135031712153]
  時系列における極端なイベント予測のための新しいフレームワークであるxTimeを提案する。 xTimeは知識蒸留を利用して、低レベルなイベントでトレーニングされたモデルから情報を転送する。 我々は、異なる希少度で専門家モデルから出力を動的に選択し、融合する専門家(MoE)機構の混合を導入する。
  論文  参考訳（メタデータ） (2025-10-23T15:24:45Z)
• Beyond the Norm: A Survey of Synthetic Data Generation for Rare Events [5.619671817895425]
  市場崩壊、自然災害、パンデミックなどの極端な出来事は稀だが大惨事である。 データ駆動型メソッドは、極端なイベントモデリングに強力な機能を提供するが、豊富なトレーニングデータを必要とするが、極端なイベントデータは本質的に不足している。 この調査は、極端な事象に対する合成データ生成の最初の概要を提供する。
  論文  参考訳（メタデータ） (2025-06-04T20:21:23Z)
• ReFine: Boosting Time Series Prediction of Extreme Events by Reweighting and Fine-tuning [0.0]
  衝撃的な出来事を表すため、極端に重要な出来事である。 極端な出来事を正確に予測することは 困難です 希少さと不規則さのために 課題に対処するために、再重み付けと微調整という2つの戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-21T19:29:29Z)
• Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
  雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。 このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
  論文  参考訳（メタデータ） (2024-01-29T03:42:37Z)
• Event Detection in Time Series: Universal Deep Learning Approach [0.0]
  時系列におけるイベント検出は、不均衡なデータセット、まれなイベント、時間間隔定義イベントの頻度のため、困難なタスクである。 本稿では,教師付き回帰に基づく深層学習手法を提案する。 当社のアプローチは、まれなイベントや不均衡なデータセットを含む、統合されたフレームワーク内で、さまざまな種類のイベントを効果的に処理できる。
  論文  参考訳（メタデータ） (2023-11-27T09:33:56Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Output-weighted and relative entropy loss functions for deep learning precursors of extreme events [0.0]
  低次元の出力を持つシステムに対する相対エントロピーに基づく損失関数の適用性を拡張し、新しい損失関数、調整された出力重み付き損失を提案する。 提案関数は, 極端な事象を示す力学系のいくつかの事例を用いて検証し, 極端な事象の予測精度を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2021-12-01T21:05:54Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。