論文の概要: Spatio-temporal probabilistic forecast using MMAF-guided learning

• arxiv url: http://arxiv.org/abs/2603.15055v1
• Date: Mon, 16 Mar 2026 10:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.003842
• Title: Spatio-temporal probabilistic forecast using MMAF-guided learning
• Title（参考訳）: MMAF誘導学習を用いた時空間確率予測
• Authors: Leonardo Bardi, Imma Valentina Curato, Lorenzo Proietti,
• Abstract要約: 我々は、ガウス分布重み付きフィードフォワードニューラルネットワークを用いて、アンサンブル誘導データセットの確率予測を決定する。 ネットワークはMMAF誘導学習 (MMAF-Guided Learning) を用いて訓練される。 合成データと実データの両方の実験は、我々の予測が複数の時間的地平線を横切る地平線に留まっていることを示している。
• 参考スコア（独自算出の注目度）: 0.618564539309103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We employ stochastic feed-forward neural networks with Gaussian-distributed weights to determine a probabilistic forecast for spatio-temporal raster datasets. The networks are trained using MMAF-guided learning, a generalized Bayesian methodology in which the observed data are preprocessed using an embedding designed to produce a low-dimensional representation that captures their dependence and causal structure. The design of the embedding is theory-guided by the assumption that a spatio-temporal Ornstein-Uhlenbeck process with finite second-order moments generates the observed data. The trained networks, in inference mode, are then used to generate ensemble forecasts by applying different initial conditions at different horizons. Experiments conducted on both synthetic and real data demonstrate that our forecasts remain calibrated across multiple time horizons. Moreover, we show that on such data, simple feed-forward architectures can achieve performance comparable to, and in some cases better than, convolutional or diffusion deep learning architectures used in probabilistic forecasting tasks.
• Abstract（参考訳）: 我々は、時空間ラスタデータセットの確率的予測を決定するために、ガウス分布重み付き確率的フィードフォワードニューラルネットワークを用いる。 MMAF誘導学習(MMAF-Guided Learning)は、観測されたデータは、その依存や因果構造を捉えた低次元表現を生成するために設計された埋め込みを用いて前処理される一般的なベイズ的手法である。 埋め込みの設計は、有限の2次モーメントを持つ時空間オルンシュタイン-ウレンベック過程が観測されたデータを生成するという仮定によって理論誘導される。 トレーニングされたネットワークは、推論モードで、異なる地平線で異なる初期条件を適用してアンサンブル予測を生成するために使用される。 合成データと実データの両方で行った実験は、我々の予測が複数の時間的地平線にわたって校正されていることを示している。 さらに、このようなデータを用いて、単純なフィードフォワードアーキテクチャは、確率予測タスクで使用される畳み込みまたは拡散深層学習アーキテクチャに匹敵する性能を達成できることを示す。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Mixed moving average field guided learning for spatio-temporal data [0.0]
  我々は,新しいベイズ時間埋め込みと理論誘導型機械学習アプローチを定義し,アンサンブル予測を行う。 リプシッツ予測器を用いて、バッチ学習環境における固定時間および任意の時間PACを決定する。 次に、線形予測器とOrnstein-Uhlenbeckプロセスからシミュレーションしたデータセットを用いて学習手法の性能を検証した。
  論文  参考訳（メタデータ） (2023-01-02T16:11:05Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
  自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。 提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
  論文  参考訳（メタデータ） (2021-07-08T10:37:24Z)
• Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks: Theory, Methods, and Algorithms [2.266704469122763]
  本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。 容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。 モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
  論文  参考訳（メタデータ） (2021-03-18T11:34:08Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。