論文の概要: On the sensitivity of machine-learned probabilistic weather forecast models to scale-aware scoring rules
- arxiv url: http://arxiv.org/abs/2607.19161v2
- Date: Mon, 27 Jul 2026 12:23:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 14:56:47.02871
- Title: On the sensitivity of machine-learned probabilistic weather forecast models to scale-aware scoring rules
- Title（参考訳）: 機械学習確率予測モデルのスケールアウェアスコアリングルールに対する感度について
- Abstract要約: 本稿では,地球規模の気象予報モデルであるAIFS-CRPSのバージョンを比較した予備研究を要約する。
まず、(ほぼ)公正なCRPS、公正なグローバルエネルギースコア、およびノード近傍に基づくグラフエネルギースコアを比較した。
第2部では,異なるスコアリングルールとスケールアウェアロス制約が,予測場のスペクトルをどう形成するかを分析する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Probabilistic forecast models can be machine-learned from data using loss functions based on scoring rules such as the Continuous Ranked Probability Score (CRPS). This note summarises a preliminary study comparing versions of AIFS-CRPS, a global weather forecast model, trained with different univariate and multivariate scoring rules that aim to explicitly represent scale-awareness in the loss function. In the first part, we compare the (almost) fair CRPS, a fair global energy score, and a graph energy score based on node neighbourhoods. Across standard verification metrics, forecast skill is broadly similar. In the extratropics we find only small differences, while in the tropics the graph energy score setup performs somewhat better and the global energy score shows some degradation. These results suggest that multivariate scores are a viable alternative to CRPS-based training for global machine-learned weather forecasting. In the second part of the study, we analyse how different scoring rules and scale-aware loss constraints shape the spectra of forecast fields. It is apparent that any form of explicit scale-awareness improves realism. Here, the largest differences are likely associated with different effective weights per scale.
- Abstract（参考訳）: 確率予測モデルは、CRPS(Continuous Ranked Probability Score)などのスコアルールに基づいて、損失関数を使用してデータから機械学習することができる。
本稿では,グローバル気象予報モデルであるAIFS-CRPSのバージョンを比較した予備研究を要約する。
まず、(ほぼ)公正なCRPS、公正なグローバルエネルギースコア、およびノード近傍に基づくグラフエネルギースコアを比較した。
標準的な検証指標全体では、予測スキルは広く似ている。
熱帯では小さな違いしか見つからないが、熱帯ではグラフエネルギースコアのセットアップが若干改善され、大域エネルギースコアは若干の劣化を示している。
これらの結果から,多変量スコアは,世界規模の気象予報のためのCRPSベースのトレーニングの代替となる可能性が示唆された。
本研究の第2部では,異なるスコアリングルールとスケールアウェアロス制約が,予測場のスペクトルをどう形成するかを解析した。
露骨なスケール認識が現実主義を改善することは明らかである。
ここでは、最も大きな違いは、スケールごとに異なる有効重量と関連している可能性が高い。
関連論文リスト
- A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts [0.0]
デュアルGNNは、実証的なコプラベースの後処理予測を一貫して上回っている。
双対GNN予測のランク順構造は、貴重な依存情報をキャプチャする。
論文 参考訳（メタデータ） (2025-09-02T19:37:44Z) - WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling [43.23012871829196]
グラフウェーブレットの特徴に基づいてノード固有の温度を割り当てるポストホックキャリブレーションフレームワークであるWavelet-Aware Temperature Scaling (WATS)を提案する。
WATSはグラフウェーブレットのスケーラビリティとトポロジ的感度を利用して信頼性の推定を洗練させる。
論文 参考訳（メタデータ） (2025-06-30T12:23:57Z) - A multi-scale loss formulation for learning a probabilistic model with proper score optimisation [0.0]
欧州中距離気象予報センター(ECMWF)で開発された機械学習型気象予報モデルであるAIFS-CRPSでマルチスケール損失が試験された。
マルチスケールの損失は、予測スキルに悪影響を及ぼすことなく、小さなスケールの変動性をよりよく制約する。
これにより、スケールアウェアモデルトレーニングにおける将来の作業への有望な方向性が開かれます。
論文 参考訳（メタデータ） (2025-06-12T16:30:18Z) - ModelRadar: Aspect-based Forecast Evaluation [0.393259574660092]
予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに重点を置いています。
この制限は、平均的な複数のレイヤ – データセット内の時間ステップ、地平線、および複数の時系列 – が関連するパフォーマンスの変動を隠蔽する、時系列予測において特に問題となる。
定常性,異常の有無,地平線予測など,多面にわたる一変量時系列予測モデルを評価するためのフレームワークであるModelRadarを提案する。
論文 参考訳（メタデータ） (2025-03-31T11:50:45Z) - 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) - Temperature Balancing, Layer-wise Weight Analysis, and Neural Network
Training [58.20089993899729]
本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。
我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。
また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
論文 参考訳（メタデータ） (2023-12-01T05:38:17Z) - From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。
ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文 参考訳（メタデータ） (2023-11-27T21:37:50Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。
我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。
GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文 参考訳（メタデータ） (2023-04-19T14:58:27Z) - On the Efficacy of Generalization Error Prediction Scoring Functions [33.24980750651318]
一般化誤差予測器(GEP)は,サンプルレベルのスコアからデータセットレベルの誤差推定を導出することにより,未知分布のモデル性能を予測することを目的としている。
機構選択に依存しない一般的なスコアリング関数(自信,局所多様体の滑らかさ,モデル適合性)の有効性を厳密に研究する。
論文 参考訳（メタデータ） (2023-03-23T18:08:44Z) - Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。
信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
論文 参考訳（メタデータ） (2023-01-25T19:35:23Z) - 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)
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。