論文の概要: Multi-Quantile Regression for Extreme Precipitation Downscaling

• arxiv url: http://arxiv.org/abs/2605.12762v1
• Date: Tue, 12 May 2026 21:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.694395
• Title: Multi-Quantile Regression for Extreme Precipitation Downscaling
• Title（参考訳）: 極端降水ダウンスケーリングのためのマルチクオリティレグレッション
• Abstract要約: 降水量減少のための深い超解像ネットワークは、強いバルクスキルを達成できるが、体系的には洪水のリスクを引き起こすヘビーテールイベントを過小評価する。 主な障害は損失関数であり、データではないことを実証する。 ピンボール損失を0.50,0.95,0.99,0.999でトレーニングしたマルチ量子超解像ネットワークQ-SRDRNでこれを解決する。
• 参考スコア（独自算出の注目度）: 2.2165845825140695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep super-resolution networks for precipitation downscaling achieve strong bulk skill yet systematically under-predict the heavy-tail events that drive flood risk. We demonstrate that the primary obstacle is the loss function, not the data: under intensity-weighted MAE, real and synthetic labels at the same input are simply averaged, meaning data augmentation shifts the predicted mean rather than the conditional distribution. We resolve this with Q-SRDRN, a multi-quantile super-resolution network trained with pinball loss at tau in 0.50, 0.95, 0.99, 0.999. Two CNN-specific design choices make this practical: IncrementBound enforces monotonicity while preserving each quantile channel's gradient identity, and separate per-quantile output heads provide independent filter banks for bulk and tail detection. Under this design, data augmentation via cVAE becomes complementary: the median head absorbs synthetic patterns without contaminating upper quantiles. Empirically, on Florida (convective/tropical-cyclone dominated), the un-augmented Q-SRDRN P999 head detects 1,598 of 2,111 events at 200 mm/day versus 88 for the deterministic baseline--an 18x detection-rate gain (4.2% to 75.7%)--with 63% lower KL divergence and 3.9% lower RMSE. Adding cVAE-generated samples lifts the P50 channel from 14 to 1,038 hits at 200 mm/day. On California (atmospheric-river dominated), the architecture reaches near-perfect detection (P999 SEDI >= 0.996 through 300 mm/day). On Texas, the baseline catches only 2 of 10,720 events at 200 mm/day while the P999 head catches 8,776 (81.9%). While the cVAE does not transfer across regions, multi-quantile regression captures extremes wherever the large-scale signal is strong, while augmentation rescues the median where it is not.
• Abstract（参考訳）: 降水量減少のための深い超解像ネットワークは、強いバルクスキルを実現するが、洪水のリスクを引き起こす重尾現象を体系的に過小評価する。 重み付けされたMAEの下では、同一入力における実・合成ラベルを単に平均化し、データ増大は条件分布よりも予測平均をシフトさせる。 ピンボール損失を0.50,0.95,0.99,0.999でトレーニングしたマルチ量子超解像ネットワークQ-SRDRNでこれを解決する。 インクリメントバウンド(IncrmentBound)は、各量子チャネルの勾配アイデンティティを保ちながら単調性を強制し、各量子チャネル毎の出力ヘッドは、バルクおよびテール検出のための独立したフィルタバンクを提供する。 この設計の下では、cVAEによるデータ増大は相補的となり、中央の頭部は上質の量子化物を汚染することなく合成パターンを吸収する。 フロリダ州では、Q-SRDRN P999ヘッドが200 mm/日で2,111件の事象を1,598件、決定論的ベースラインが88件、検出レートが4.2%から75.7%、KLの発散が63%、RMSEが3.9%であった。 cVAEが生成するサンプルを追加すると、P50チャンネルは14から1,038ヒットまで1日200mmで持ち上げられる。 カリフォルニアでは(大気圏が支配的な)アーキテクチャがほぼ完全な検出に達する(P999 SEDI >= 0.996 から 300 mm/day)。 テキサス州では、200 mm/日で10,720種目のうち2種目、P999種目は8,776種目(81.9%)である。 cVAEは領域間を移動しないが、マルチクエンタイルレグレッションは大規模な信号が強い場合の極端を捉え、増大はそうでない場合の中央値を救う。

関連論文リスト

• Domain-Specific Hallucination Detection in Large Language Models [0.0]
  大規模言語モデルは、不誠実なクレームを含むことができる流動的なテキストを生成する。 微調整されたDeBERTa-v3分類, Monte Carlo (MC) Dropoutの不確実性定量化を組み合わせた多信号検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-09-10T17:45:36Z)
• Physics-Informed CNN-LSTM for Street-Scale Urban Flood Prediction: Reconciling Aggregate Accuracy and Street-Level Plausibility [4.789111524845274]
  平均二乗誤差損失で訓練されたディープラーニングサロゲートモデルは、統計的に正確だが物理的に制約のない洪水予測を生成する。 我々は,CNN-LSTMモデルの物理インフォームドトレーニングフレームワークを開発し,128×128の空間格子上で15分間隔で都市洪水深度を予測する。
  論文  参考訳（メタデータ） (2026-07-27T23:46:25Z)
• Criticality-Constrained Iterative Pruning for Energy-Efficient Spiking Neural Networks via Combined Importance Scoring [0.6345523830122167]
  ニューロモルフィックハードウェアにスパイキングニューラルネットワーク(SNN)をデプロイするには、積極的なシナプス的プルーニングが必要である。 既存の戦略は、神経の無視的臨界性、または本質的に刈り取られる問題の凸緩和に依存する。 本稿では,PyTorchのパイプラインであるCriticality-Constrained Quadratic Pruning (CQP)について述べる。
  論文  参考訳（メタデータ） (2026-06-26T08:48:01Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• The Predictive-Causal Gap: An Impossibility Theorem and Large-Scale Neural Evidence [1.8867357521563244]
  本稿では,予測表現学習における系統的障害モードについて報告する。 線形ガウス力学を予測するためにトレーニングされた2695のニューラルネットワーク構成に対して、最適なエンコーダは、モデル化するシステムではなく、環境を追跡する。
  論文  参考訳（メタデータ） (2026-05-06T15:25:37Z)
• Sparse Regression under Correlation and Weak Signals: A Reproducible Benchmark of Classical and Bayesian Methods [1.6679662639178268]
  合成データに対する6つのスパース回帰法をベンチマークした。 ベイズ法は予測誤差(MSE 72 vs. 108-267)で勝利し、ホースシューは95%近くをカバーしている(94.8%)。 可変選択の場合、F1 0.47のラッソとスパイク・アンド・スラブのネクタイは、後部が不要な場合に事実上のデフォルトとなる。
  論文  参考訳（メタデータ） (2026-04-04T15:46:44Z)
• Hierarchy-Guided Topology Latent Flow for Molecular Graph Generation [44.50339042016925]
  本稿では,グローバルコンテキストに対する潜在的マルチスケールプランを用いた3次元座標を用いた結合グラフを生成するプランナー・エグゼクタモデルを提案する。 HLTFは98.8%の原子安定性と92.9%の有効・均一性を達成し、PoseBustersの妥当性は94.0%(+0.9)に向上した。 GEOM-DRUGSでは、HLTFは後処理なしで85.5%/85.0%の妥当性/バリッド・ユニク・ノーベル、標準化された緩和後の92.2%/91.2%を達成している。
  論文  参考訳（メタデータ） (2026-03-28T03:48:13Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Potential-energy gating for robust state estimation in bistable stochastic systems [0.0]
  ダブルウェル・ダイナミクスによって制御されるシステムにおけるロバストな状態推定法である電位エネルギーゲーティングを導入する。 拡張フィルタ,アンセントフィルタ,アンサンブルフィルタ,適応カルマンフィルタ内にゲーティングを実装した。
  論文  参考訳（メタデータ） (2026-02-12T08:43:34Z)
• Time-Series at the Edge: Tiny Separable CNNs for Wearable Gait Detection and Optimal Sensor Placement [3.7765281299298015]
  我々は,3軸加速度の短い窓から発生するパーキンソン病(PD)の歩行検出のためのデバイス上での時系列解析について検討した。 1つの文献ベースライン(分離可能な畳み込み)と2つのウルトラライトモデル(純粋に分離可能なもの)である。
  論文  参考訳（メタデータ） (2025-11-29T08:52:41Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。