論文の概要: Prediction of Major Solar Flares Using Interpretable Class-dependent Reward Framework with Active Region Magnetograms and Domain Knowledge

• arxiv url: http://arxiv.org/abs/2602.16264v1
• Date: Wed, 18 Feb 2026 08:30:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.546864
• Title: Prediction of Major Solar Flares Using Interpretable Class-dependent Reward Framework with Active Region Magnetograms and Domain Knowledge
• Title（参考訳）: 領域磁図と領域知識を用いた解釈可能なクラス依存リワードフレームワークによる主要太陽フレアの予測
• Authors: Zixian Wu, Xuebao Li, Yanfang Zheng, Rui Wang, Shunhuang Zhang, Jinfang Wei, Yongshang Lv, Liang Dong, Zamri Zainal Abidin, Noraisyah Mohamed Shah, Hongwei Ye, Pengchao Yan, Xuefeng Li, Xiaojia Ji, Xusheng Huang, Xiaotian Wang, Honglei Jin,
• Abstract要約: クラス依存報酬(CDR)を用いた教師付き分類フレームワークを初めて開発し,24時間以内に$geq$MMのフレアを予測する。 我々は3つのディープラーニングモデル(CNN、CNN-BiLSTM、Transformer)と3つのCDRモデル(CDR-CNN、CDR-CNN-BiLSTM、CDR-Transformer)を適用する。 我々は、LOS磁場パラメータとTransformerの重要性を分析し、その性能をLOSのみ、ベクトルのみ、および複合磁界パラメータを用いて比較する。
• 参考スコア（独自算出の注目度）: 4.3863289127101455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we develop, for the first time, a supervised classification framework with class-dependent rewards (CDR) to predict $\geq$MM flares within 24 hr. We construct multiple datasets, covering knowledge-informed features and line-of sight (LOS) magnetograms. We also apply three deep learning models (CNN, CNN-BiLSTM, and Transformer) and three CDR counterparts (CDR-CNN, CDR-CNN-BiLSTM, and CDR-Transformer). First, we analyze the importance of LOS magnetic field parameters with the Transformer, then compare its performance using LOS-only, vector-only, and combined magnetic field parameters. Second, we compare flare prediction performance based on CDR models versus deep learning counterparts. Third, we perform sensitivity analysis on reward engineering for CDR models. Fourth, we use the SHAP method for model interpretability. Finally, we conduct performance comparison between our models and NASA/CCMC. The main findings are: (1)Among LOS feature combinations, R_VALUE and AREA_ACR consistently yield the best results. (2)Transformer achieves better performance with combined LOS and vector magnetic field data than with either alone. (3)Models using knowledge-informed features outperform those using magnetograms. (4)While CNN and CNN-BiLSTM outperform their CDR counterparts on magnetograms, CDR-Transformer is slightly superior to its deep learning counterpart when using knowledge-informed features. Among all models, CDR-Transformer achieves the best performance. (5)The predictive performance of the CDR models is not overly sensitive to the reward choices.(6)Through SHAP analysis, the CDR model tends to regard TOTUSJH as more important, while the Transformer tends to prioritize R_VALUE more.(7)Under identical prediction time and active region (AR) number, the CDR-Transformer shows superior predictive capabilities compared to NASA/CCMC.
• Abstract（参考訳）: 本研究では,クラス依存報酬(CDR)を用いた教師付き分類フレームワークを開発し,24時間以内に$\geq$MMフレアを予測する。 我々は複数のデータセットを構築し、知識インフォームド特徴とLOS(Line-of sight)磁図を網羅する。 また、3つのディープラーニングモデル(CNN, CNN-BiLSTM, Transformer)と3つのCDRモデル(CDR-CNN, CDR-CNN-BiLSTM, CDR-Transformer)を適用した。 まず,LOSの磁場パラメータをTransformerで解析し,その特性をLOSのみ,ベクトルのみ,複合磁界パラメータを用いて比較する。 次に,CDRモデルに基づくフレア予測性能と深層学習性能を比較した。 第3に,CDRモデルに対する報酬工学の感度解析を行う。 第4に、モデル解釈可能性にSHAP法を用いる。 最後に,我々のモデルとNASA/CCMCの性能比較を行った。 1)LOSとR_VALUEとAREA_ACRの組み合わせが相反する結果が得られた。 2) Transformer は,LOS とベクトル磁場データの組み合わせで単独よりも優れた性能を実現する。 知識インフォームド特徴を用いたモデルでは,磁図を用いたモデルよりも優れていた。 (4) CNN と CNN-BiLSTM は,CDR よりも磁図の方が優れているが,CDR-Transformer は知識情報を用いた深層学習よりも若干優れている。 全てのモデルの中で、CDR-Transformerは最高のパフォーマンスを達成する。 (5)CDRモデルの予測性能は報酬選択に過度に敏感ではない。 (6)SHAP分析より、CDRモデルはTOTUSJHをより重要視する傾向があり、TransformerはR_VALUEを優先する傾向にある。 (7) CDR-Transformerは, 同一の予測時間と活動領域(AR)数で, NASA/CCMCと比較して予測能力に優れていた。

関連論文リスト

• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• Joint Beam Search Integrating CTC, Attention, and Transducer Decoders [53.297697898510194]
  4つのデコーダが同一のエンコーダを共有するような共同モデリング手法を提案する。 4Dモデルは共同で訓練され、モデルの正規化とモデルの堅牢性を最大化する。 さらに,3つのデコーダを組み合わせることで,新しい3つのビーム探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-05T05:18:20Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• A Transformer-based Framework For Multi-variate Time Series: A Remaining Useful Life Prediction Use Case [4.0466311968093365]
  本研究は,時系列予測のためのエンコーダ変換アーキテクチャに基づくフレームワークを提案する。 C-MAPPSベンチマークデータセットの4セットすべてに対して,提案手法の有効性を検証した。 機械寿命の初期段階と劣化経路のモデル認識を可能にするため, 新たな拡張窓手法が提案された。
  論文  参考訳（メタデータ） (2023-08-19T02:30:35Z)
• Remote Sensing Change Detection With Transformers Trained from Scratch [62.96911491252686]
  トランスフォーマーベースの変更検出(CD)アプローチでは、大規模なイメージ分類でトレーニングされた事前トレーニングモデルを使用するか、別のCDデータセットで最初の事前トレーニングを頼りにしてから、ターゲットのベンチマークを微調整する。 我々は、4つの公開ベンチマークにおいて、スクラッチからトレーニングされながら最先端のパフォーマンスを実現するトランスフォーマーを用いたエンドツーエンドCDアプローチを開発した。
  論文  参考訳（メタデータ） (2023-04-13T17:57:54Z)
• Automated ICD Coding using Extreme Multi-label Long Text Transformer-based Models [10.387366211090734]
  本稿では,3種類のトランスフォーマーモデルについて検討し,極端なラベルセットと長いテキスト分類課題に対処することを目的とした。 Transformer-based model PLM-ICDは、ICD符号化ベンチマークデータセットMIMIC-III上で、現在のSOTA(State-of-the-art)性能を達成した。 我々の最適化されたPLM-ICDモデルは、長い総数およびチャンクシーケンス長で訓練され、現在のSOTA PLM-ICDモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-12-12T12:48:33Z)
• Empirical Models for Multidimensional Regression of Fission Systems [0.0]
  我々は、中性子輸送の多次元回帰のための経験的モデルを開発するためのガイドラインを開発する。 精度と精度を評価すると、SVRがANNに追随し、最高の性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2021-05-30T22:53:39Z)
• Vision Transformers are Robust Learners [65.91359312429147]
  ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
  論文  参考訳（メタデータ） (2021-05-17T02:39:22Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。