論文の概要: Hurdle-IMDL: An Imbalanced Learning Framework for Infrared Rainfall Retrieval

• arxiv url: http://arxiv.org/abs/2510.20486v1
• Date: Thu, 23 Oct 2025 12:25:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.849147
• Title: Hurdle-IMDL: An Imbalanced Learning Framework for Infrared Rainfall Retrieval
• Title（参考訳）: Hurdle-IMDL:赤外降雨検索のための不均衡学習フレームワーク
• Authors: Fangjian Zhang, Xiaoyong Zhuge, Wenlan Wang, Haixia Xiao, Yuying Zhu, Siyang Cheng,
• Abstract要約: 本研究では,Hurdle-Inversion Model Debiasing Learningフレームワークを提案する。 環境変数の分布の不均衡に対処し、希少かつ高影響の事象の検索の強化を可能にする。 その重要な進歩は、体系的な過小評価の効果的な緩和と、重雨から極度の雨の回収における顕著な改善である。
• 参考スコア（独自算出の注目度）: 0.42295355802979334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence has advanced quantitative remote sensing, yet its effectiveness is constrained by imbalanced label distribution. This imbalance leads conventionally trained models to favor common samples, which in turn degrades retrieval performance for rare ones. Rainfall retrieval exemplifies this issue, with performance particularly compromised for heavy rain. This study proposes Hurdle-Inversion Model Debiasing Learning (IMDL) framework. Following a divide-and-conquer strategy, imbalance in the rain distribution is decomposed into two components: zero inflation, defined by the predominance of non-rain samples; and long tail, defined by the disproportionate abundance of light-rain samples relative to heavy-rain samples. A hurdle model is adopted to handle the zero inflation, while IMDL is proposed to address the long tail by transforming the learning object into an unbiased ideal inverse model. Comprehensive evaluation via statistical metrics and case studies investigating rainy weather in eastern China confirms Hurdle-IMDL's superiority over conventional, cost-sensitive, generative, and multi-task learning methods. Its key advancements include effective mitigation of systematic underestimation and a marked improvement in the retrieval of heavy-to-extreme rain. IMDL offers a generalizable approach for addressing imbalance in distributions of environmental variables, enabling enhanced retrieval of rare yet high-impact events.
• Abstract（参考訳）: 人工知能は高度に定量的なリモートセンシングを行っているが、その効果は不均衡なラベル分布によって制限されている。 この不均衡により、従来の訓練されたモデルでは一般的なサンプルが好まれるようになり、希少なサンプルの検索性能が低下する。 降雨の回収はこの問題を例示しており、特に大雨のために性能が損なわれている。 本研究では,Hurdle-Inversion Model Debiasing Learning(IMDL)フレームワークを提案する。 降雨分布の不均衡は,非レイン試料の優越性によって定義されるゼロインフレーションと,重レイン試料に対する光レイン試料の不均等度によって定義されるロングテールの2つの成分に分解される。 ゼロインフレーションを扱うためにハードルモデルを採用する一方、IMDLは学習対象を非バイアスの理想的逆モデルに変換することによって、長い尾に対処する。 中国東部の雨天候を調査する統計指標とケーススタディによる総合的な評価は、Hurdle-IMDLが従来の、コストに敏感で、生成的で、マルチタスクの学習方法よりも優れていることを裏付けている。 その重要な進歩は、体系的な過小評価の効果的な緩和と、重雨から極度の雨の回収における顕著な改善である。 IMDLは、環境変数の分布の不均衡に対処するための一般化可能なアプローチを提供する。

関連論文リスト

• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Score-based Membership Inference on Diffusion Models [3.742113529511043]
  拡散モデルに対するメンバーシップ推論攻撃(MIA)は、プライバシーの懸念が強まっている。 本稿では,拡散モデルが近似することを学習する予測ノイズベクトルに着目し,スコアベースMIAの理論的,実証的研究を行う。 提案手法は, トレーニングセットに近づき, メンバシップが明らかになるような, 近隣のトレーニングサンプルのカーネル重み付き局所平均に対して, 期待されたデノイザ出力が向けられることを示す。
  論文  参考訳（メタデータ） (2025-09-29T16:28:55Z)
• Counterfactual Reward Model Training for Bias Mitigation in Multimodal Reinforcement Learning [0.5204229323525671]
  本稿では,マルチモーダル表現学習による因果推論を導入し,非教師付きバイアス耐性報酬信号を提供する。 我々は, フレーミングバイアス, クラス不均衡, 分散ドリフトを示すマルチモーダルフェイク対真のニュースデータセット上で, フレームワークの評価を行った。 その結果、偽ニュースの検出において89.12%の精度を達成し、ベースライン報酬モデルを上回った。
  論文  参考訳（メタデータ） (2025-08-27T04:54:33Z)
• Wasserstein GAN-Based Precipitation Downscaling with Optimal Transport for Enhancing Perceptual Realism [0.0]
  本研究では,Wasserstein Generative Adversarial Network (WGAN) を用いて,最適な輸送コストで降水ダウンスケーリングを行う。 平均二乗誤差で訓練された従来のニューラルネットワークとは対照的に、WGANは微細な構造を持つ視覚的に現実的な降水場を生成した。 ケースベース分析により、批判スコアの大きな相違は、参照データ内の非現実的なWGAN出力と潜在的アーティファクトの両方を識別するのに役立つことが明らかになった。
  論文  参考訳（メタデータ） (2025-07-23T15:29:34Z)
• WARM: On the Benefits of Weight Averaged Reward Models [63.08179139233774]
  Weight Averaged Reward Models (WARM) を提案する。 最良N法とRL法を用いた要約タスクの実験は、WARMがLLM予測の全体的な品質とアライメントを改善することを示す。
  論文  参考訳（メタデータ） (2024-01-22T18:27:08Z)
• 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)
• Latent diffusion models for generative precipitation nowcasting with accurate uncertainty quantification [1.7718093866806544]
  本稿では,降水量予測のための潜水拡散モデル (LDM) を提案する。 GANをベースとしたDGMR(Deep Generative Models of Rainfall)と統計モデルPySTEPSを比較検討した。 LDMの最も明確な利点は、DGMRやPySTEPSよりも多様な予測を生成することである。
  論文  参考訳（メタデータ） (2023-04-25T15:03:15Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)

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。