論文の概要: Beyond MSE: Improving Precipitation Nowcasting with Multi-Quantile Regression

• arxiv url: http://arxiv.org/abs/2605.30122v2
• Date: Sun, 31 May 2026 05:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:24:16.828446
• Title: Beyond MSE: Improving Precipitation Nowcasting with Multi-Quantile Regression
• Title（参考訳）: MSEを超えて - マルチクエンタイル回帰による降水処理の改善
• Authors: Gijs van Nieuwkoop, Siamak Mehrkanoon,
• Abstract要約: 本研究は,マルチ量子回帰問題としてトレーニングを再構成することにより,確立された決定論的流し込みアーキテクチャの予測性能を向上させることができるかどうかを考察する。 その結果,マルチクエンタイルトレーニングは中央決定性予測を改善し,MSEを用いたモデルと比較してテストセットのMSEを8.6%減少させることがわかった。 これらの結果は、新しいアーキテクチャや生成的サンプリング手順を必要とせずに、量子レグレッションが標準的なポイントワイド損失の簡単な代替手段となることを示唆している。
• 参考スコア（独自算出の注目度）: 2.0912407740405903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep-learning precipitation nowcasting models are often optimized using pointwise losses such as mean squared error or mean absolute error, which can lead to overly smooth forecasts and poor representation of heavy rainfall. This study investigates whether the predictive performance of an established deterministic nowcasting architecture can be improved by reformulating training as a multi-quantile regression problem. Using SmaAt-UNet as a core model, we compare MSE, MAE, and multi-quantile pinball-loss training on radar precipitation nowcasting over the Netherlands. The results show that multi-quantile training improves the central deterministic forecast, decreasing test-set MSE by 8.6\% compared to a model trained using MSE, while also producing upper-quantile outputs that are useful for risk-sensitive prediction of heavy precipitation. These findings suggest that quantile regression provides a simple alternative to standard pointwise losses without requiring a new architecture or generative sampling procedure. The implementation of our models and training setup is available on \href{https://github.com/gijsvn/Multi-Quantile-Precipitation-Nowcasting}{GitHub}.
• Abstract（参考訳）: 深層雨量予測モデルは平均二乗誤差や平均絶対誤差などのポイントワイド損失を用いて最適化されることが多く、過度に滑らかな予測や豪雨の表現に繋がる可能性がある。 本研究は,マルチ量子回帰問題としてトレーニングを再構成することにより,確立された決定論的流し込みアーキテクチャの予測性能を向上させることができるかどうかを考察する。 コアモデルとしてSmaAt-UNetを用いて,MSE,MAE,マルチクエンタイルピンボールロストレーニングをオランダ上空でのレーダ降水について比較した。 その結果,マルチクエンタイルトレーニングにより中央決定性予測が向上し,MSEを用いてトレーニングしたモデルと比較してテストセットMSEが8.6 %減少し,重雨のリスク感受性予測に有用な上クアンタイル出力が得られた。 これらの結果は、新しいアーキテクチャや生成的サンプリング手順を必要とせずに、量子レグレッションが標準的なポイントワイド損失の簡単な代替手段となることを示唆している。 私たちのモデルとトレーニング設定の実装は、 \href{https://github.com/gijsvn/Multi-Quantile-Precipitation-Nowcasting}{GitHub}で利用可能です。

関連論文リスト

• Convolutionally Low-Rank Models with Modified Quantile Regression for Interval Time Series Forecasting [18.452655953569696]
  インターバル時系列予測は、不確実性を定量化する問題に対する原則的な解決策を提供する。 学習型畳み込み核ノルム最小化(LbCNNM)と呼ばれる最近確立された点予測(PF)手法について考察する。 理論的には完全かつ実験的に有効であるが、LbCNNMには固有の不確実性推定能力がない。 我々は、よく知られた量子回帰(QR)を修正してLbCNNMに統合し、LbCNNMと呼ばれる新しい間隔予測法をLbCNNM-MQR(Modified Quantile Regression)で実現した。
  論文  参考訳（メタデータ） (2026-04-17T07:52:21Z)
• Incremental Multistep Forecasting of Battery Degradation Using Pseudo Targets [2.4958651162443943]
  iFSNetは、疑似ターゲットを用いたマルチステップ予測を実現するために、シングルパスモード(サンプルバイサンプル)用にFSNetの修正版である。 提案モデルではスムーズな劣化軌道を持つデータセット上で0.00197 RMSEと0.00154 MAEを達成した。
  論文  参考訳（メタデータ） (2025-09-19T08:10:46Z)
• Development of an offline and online hybrid model for the Integrated Forecasting System [0.2556723501703686]
  ニューラルネットワークを用いた中レージ気象予報センターのモデル誤差補正手法を開発した。 ネットワークは、運用分析と分析インクリメントの大規模なデータセットを使用して、オフラインで事前トレーニングされている。 その後、データ同化や予測実験に使用されるように、オブジェクト指向予測システム(OOPS)内のIFSに統合される。
  論文  参考訳（メタデータ） (2024-03-06T13:36:31Z)
• 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)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Measuring and Reducing Model Update Regression in Structured Prediction for NLP [31.86240946966003]
  後方互換性は、新しいモデルが前者によって正しく処理されたケースに回帰しないことを要求する。 本研究は、構造化予測タスクにおける更新回帰をモデル化する。 本稿では,構造化出力の特性を考慮し,単純かつ効果的なバックワード・コングルエント・リグレード(BCR)を提案する。
  論文  参考訳（メタデータ） (2022-02-07T07:04:54Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。