論文の概要: Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning

• arxiv url: http://arxiv.org/abs/2602.16857v1
• Date: Sun, 15 Feb 2026 05:49:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.396904
• Title: Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning
• Title（参考訳）: エントロピー学習を用いたENSO位相のアンサンブル予測の蒸留と解釈可能性
• Authors: Michael Groom, Davide Bassetti, Illia Horenko, Terence J. O'Kane,
• Abstract要約: 本稿では,Sparse Probabilistic Approximation (eSPA) モデルのアンサンブルのためのフレームワークを提案する。 正しい予測を行うこれらのアンサンブル構成員のみの構造を集約することにより、アンサンブルを「蒸留された」モデルのコンパクトな集合に圧縮する方法を示す。
• 参考スコア（独自算出の注目度）: 1.3999481573773072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a distillation framework for an ensemble of entropy-optimal Sparse Probabilistic Approximation (eSPA) models, trained exclusively on satellite-era observational and reanalysis data to predict ENSO phase up to 24 months in advance. While eSPA ensembles yield state-of-the-art forecast skill, they are harder to interpret than individual eSPA models. We show how to compress the ensemble into a compact set of "distilled" models by aggregating the structure of only those ensemble members that make correct predictions. This process yields a single, diagnostically tractable model for each forecast lead time that preserves forecast performance while also enabling diagnostics that are impractical to implement on the full ensemble. An analysis of the regime persistence of the distilled model "superclusters", as well as cross-lead clustering consistency, shows that the discretised system accurately captures the spatiotemporal dynamics of ENSO. By considering the effective dimension of the feature importance vectors, the complexity of the input space required for correct ENSO phase prediction is shown to peak when forecasts must cross the boreal spring predictability barrier. Spatial importance maps derived from the feature importance vectors are introduced to identify where predictive information resides in each field and are shown to include known physical precursors at certain lead times. Case studies of key events are also presented, showing how fields reconstructed from distilled model centroids trace the evolution from extratropical and inter-basin precursors to the mature ENSO state. Overall, the distillation framework enables a rigorous investigation of long-range ENSO predictability that complements real-time data-driven operational forecasts.
• Abstract（参考訳）: 本稿では,衛星時代の観測データと再解析データにのみ訓練を施した,エントロピー最適スパース確率近似(eSPA)モデルアンサンブルのための蒸留フレームワークを提案する。 eSPAアンサンブルは最先端の予測スキルをもたらすが、個々のeSPAモデルよりも解釈が難しい。 正しい予測を行うこれらのアンサンブル構成員のみの構造を集約することにより、アンサンブルを「蒸留された」モデルのコンパクトな集合に圧縮する方法を示す。 このプロセスは、予測性能を保ちつつ、全アンサンブルで実装できない診断を可能にする、予測リード時間毎に単一の、診断的に抽出可能なモデルを生成する。 蒸留モデル「スーパークラスタ」の状態持続性の解析は、離散化系がENSOの時空間力学を正確に捉えていることを示す。 特徴量ベクトルの有効次元を考慮すると、予測がバネ予測障壁を越える必要がある場合に、正しいENSO位相予測に必要な入力空間の複雑さがピークとなる。 特徴重要ベクトルから導かれる空間的重要性マップを導入し、予測情報が各フィールドにどこにあるかを特定し、特定のリード時間に既知の物理前駆体を含むことを示す。 重要な事象のケーススタディも提示され、蒸留されたモデルセントロイドから再構成されたフィールドが、外熱帯およびベース間前駆体から成熟したENSO状態への進化を辿る様子が示されている。 全体として、蒸留フレームワークは、リアルタイムなデータ駆動運転予測を補完する長距離ENSO予測可能性の厳密な調査を可能にする。

関連論文リスト

• EIDOS: Latent-Space Predictive Learning for Time Series Foundation Models [37.917978019436674]
  EIDOSは、将来の価値予測から潜在空間予測学習に移行する基礎モデルファミリーである。 我々は、潜伏表現の進化を予測するために因果変換器を訓練し、構造化および時間的に整合した潜伏状態の出現を促す。
  論文  参考訳（メタデータ） (2026-02-15T07:07:20Z)
• Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis [1.5751034894694789]
  本稿では,精度と解釈可能性のギャップを埋めるサロゲートに基づく説明手法を開発する。 スペクトル予測可能性分析を統合し,各系列固有の予測可能性の定量化を行う。 結果として得られるフレームワークは、最先端のアンサンブル予測に対する解釈可能なインスタンスレベルの説明を提供する。
  論文  参考訳（メタデータ） (2025-10-09T18:49:45Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)

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。