論文の概要: Uncertainty-Aware Solar Flare Regression

• arxiv url: http://arxiv.org/abs/2603.06712v1
• Date: Thu, 05 Mar 2026 20:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:12.899215
• Title: Uncertainty-Aware Solar Flare Regression
• Title（参考訳）: 不確実性を考慮した太陽フレア回帰
• Authors: Jinsu Hong, Chetraj Pandey, Berkay Aydin,
• Abstract要約: 現在の太陽フレア予測は、その信頼性の正確な定量化を欠くことが多く、しばしば誤報を引き起こす。 宇宙天気予報の信頼性を高めるためには,モデル予測のための信頼区間を確立することが重要である。 本研究では,宇宙天気予報における回帰作業への共形予測の適用について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current solar flare predictions often lack precise quantification of their reliability, resulting in frequent false alarms, particularly when dealing with datasets skewed towards extreme events. To improve the trustworthiness of space weather forecasting, it is crucial to establish confidence intervals for model predictions. Conformal prediction, a machine learning framework, presents a promising avenue for this purpose by constructing prediction intervals that ensure valid coverage in finite samples without making assumptions about the underlying data distribution. In this study, we explore the application of conformal prediction to regression tasks in space weather forecasting. Specifically, we implement full-disk solar flare prediction using images created from magnetic field maps and adapt four pre-trained deep learning models to incorporate three distinct methods for constructing confidence intervals: conformal prediction, quantile regression, and conformalized quantile regression. Our experiments demonstrate that conformalized quantile regression achieves higher coverage rates and more favorable average interval lengths compared to alternative methods, underscoring its effectiveness in enhancing the reliability of solar weather forecasting models.
• Abstract（参考訳）: 現在の太陽フレアの予測は、その信頼性の正確な定量化を欠いていることが多く、特に極端な事象に向けられたデータセットを扱う際には、しばしば誤報が発生する。 宇宙天気予報の信頼性を高めるためには,モデル予測のための信頼区間を確立することが重要である。 機械学習フレームワークであるコンフォーマル予測は、基礎となるデータ分布について仮定することなく、有限サンプルにおける有効なカバレッジを保証する予測区間を構築することで、この目的のための有望な道を示す。 本研究では,宇宙天気予報における回帰作業への共形予測の適用について検討する。 具体的には、磁場マップから作成した画像を用いてフルディスクの太陽フレア予測を実装し、4つの事前訓練されたディープラーニングモデルを適用し、信頼区間を構築するための3つの異なる方法(共形予測、量子レグレッション、共形化量子レグレッション)を組み込む。 本実験は, 太陽天気予報モデルの信頼性向上に有効であることを示すものである。

関連論文リスト

• The Living Forecast: Evolving Day-Ahead Predictions into Intraday Reality [0.688204255655161]
  本稿では,完全確率的日頭予測をトレーニングや再推論なしに日内予測に変換するベイズ更新機構を提案する。 家庭用電力消費と太陽光発電データを用いた実験により, 提案手法は, 可能性, サンプル, 定量, 点ベースで25%の精度で予測精度を向上することを示した。
  論文  参考訳（メタデータ） (2025-10-14T08:25:20Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Zono-Conformal Prediction: Zonotope-Based Uncertainty Quantification for Regression and Classification Tasks [41.14877380522394]
  コンフォーマル予測は、統計的に有効なカバレッジ保証を備えた予測セットでベース予測器を拡張するために使用される。 本稿では、間隔予測モデルとリーチセット・コンフォーマント同定にインスパイアされた新しいアプローチであるゾノ・コンフォーマル予測を導入する。 ゾノコンフォーマル予測器は間隔予測器モデルや標準共形予測法よりも保守的でないことを示す。
  論文  参考訳（メタデータ） (2025-08-14T19:03:28Z)
• Extreme Conformal Prediction: Reliable Intervals for High-Impact Events [4.900476082341052]
  極値統計と共形予測を橋渡し、信頼性と情報的予測間隔を提供する。 この極端な等角予測手法の利点はシミュレーション研究や洪水リスク予測への応用で説明される。
  論文  参考訳（メタデータ） (2025-05-13T13:54:36Z)
• Regression Trees for Fast and Adaptive Prediction Intervals [2.6763498831034043]
  本稿では,局所的なカバレッジ保証を伴う回帰問題に対して,予測間隔を調整するための一連の手法を提案する。 回帰木とランダムフォレストを適合度スコアでトレーニングすることで分割を作成する。 提案手法は多種多様な適合性スコアや予測設定に適用できるため,多種多様である。
  論文  参考訳（メタデータ） (2024-02-12T01:17:09Z)
• 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)
• 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)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)

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。