論文の概要: Power Ensemble Aggregation for Improved Extreme Event AI Prediction
- arxiv url: http://arxiv.org/abs/2511.11170v1
- Date: Fri, 14 Nov 2025 11:11:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.552171
- Title: Power Ensemble Aggregation for Improved Extreme Event AI Prediction
- Title（参考訳）: イベントAI予測の改善のためのパワーアンサンブルアグリゲーション
- Authors: Julien Collard, Pierre Gentine, Tian Zheng,
- Abstract要約: 本稿では、機械学習手法を用いて、気候極端事象、特に熱波の予測を改善することの課題に対処する。
機械学習に基づく天気予報モデルを生成させることにより、同じモデルからの典型的な平均予測よりも、極端な熱事象を予測する精度が向上する。
我々のパワーアグリゲーション法は、その最適性能が選択された量子しきい値によって変化し、より高い極値予測の有効性が向上することを示すため、持続性と適応性を示す。
- 参考スコア（独自算出の注目度）: 3.3004352642081844
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses the critical challenge of improving predictions of climate extreme events, specifically heat waves, using machine learning methods. Our work is framed as a classification problem in which we try to predict whether surface air temperature will exceed its q-th local quantile within a specified timeframe. Our key finding is that aggregating ensemble predictions using a power mean significantly enhances the classifier's performance. By making a machine-learning based weather forecasting model generative and applying this non-linear aggregation method, we achieve better accuracy in predicting extreme heat events than with the typical mean prediction from the same model. Our power aggregation method shows promise and adaptability, as its optimal performance varies with the quantile threshold chosen, demonstrating increased effectiveness for higher extremes prediction.
- Abstract（参考訳）: 本稿では、機械学習手法を用いて、気候極端事象、特に熱波の予測を改善するという重要な課題に対処する。
我々の研究は、特定の時間枠内で、表面の空気温度がq番目の局所量子化値を超えるかどうかを予測しようとする分類問題である。
我々の重要な発見は、パワー平均を用いたアンサンブル予測の集約が、分類器の性能を大幅に向上させることである。
機械学習に基づく天気予報モデルを生成させ,この非線形集約法を適用して,同じモデルからの典型的な平均予測よりも極端な熱事象を予測する精度を向上する。
我々のパワーアグリゲーション法は、その最適性能が選択された量子しきい値によって変化し、より高い極値予測の有効性が向上することを示すため、持続性と適応性を示す。
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) - 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) - Performative Time-Series Forecasting [64.03865043422597]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳（メタデータ） (2023-06-24T22:00:06Z)
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。