論文の概要: Uncertainty-Aware Sea-Ice Type Mapping with Multiple Ice Charts
- arxiv url: http://arxiv.org/abs/2609.09451v1
- Date: Tue, 08 Sep 2026 21:02:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.817711
- Title: Uncertainty-Aware Sea-Ice Type Mapping with Multiple Ice Charts
- Title（参考訳）: 複数の氷チャートを用いた不確実性を考慮した海氷型マッピング
- Abstract要約: 海氷発達段階(SoD)は、海氷の年代とそれに伴う厚さを記述する。
ディープラーニング手法は、SoDマッピングを自動化し、トレーニングのためのリファレンスラベルとして運用用アイスチャートを一般的に採用することができる。
- 参考スコア（独自算出の注目度）: 0.4199844472131921
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sea-ice stage of development (SoD) describes the age and associated thickness of sea ice and provides important information for navigation, and operational ice monitoring. SoD labels are obtained from operational ice charts, where trained analysts interpret satellite observations and assign standardized stage codes to regions with similar ice conditions. These codes often represent ranges of compatible ice thicknesses rather than exact physical values. Deep-learning methods can automate SoD mapping and commonly adopt operational ice charts as reference labels for training. These annotations are not exact, however; this is because chart interpretation relies on analyst judgement and on the observations available at the time, so different ice services may assign different SoD labels to the same conditions. We term this variation across independently produced expert annotations multi-annotator label uncertainty; collapsing the annotations into a single deterministic target discards this variation. A second source of uncertainty originates in the learned model itself. In this paper, we quantify both sources: annotation uncertainty from disagreement among independent ice-service charts and model uncertainty from the learned predictive models. We then evaluate their relationship by testing whether model uncertainty is higher where ice services disagree. We observe that supervision incorporating information from multiple annotators can improve this correspondence, with soft supervision achieving the highest overall correlation of 0.256. The relationship becomes substantially stronger near the ice edge, where model predictive uncertainty closely tracks multi-annotator disagreement, reaching a correlation of 0.704 within 0--10 km. Among the uncertainty-estimation approaches, Monte Carlo dropout provides the best-calibrated confidence estimates, with an expected calibration error of 0.050.
- Abstract（参考訳）: 海氷開発段階(SoD)は、海氷の年代と厚さを記述し、航海や運用氷モニタリングに重要な情報を提供する。
訓練されたアナリストが衛星観測を解釈し、同じ氷条件の領域に標準化されたステージコードを割り当てる。
これらの符号は、正確な物理値ではなく、互換性のある氷厚の範囲を表すことが多い。
ディープラーニング手法は、SoDマッピングを自動化し、トレーニングのためのリファレンスラベルとして運用用アイスチャートを一般的に採用することができる。
これらのアノテーションは正確なものではないが、これはチャートの解釈がアナリストの判断と当時の観測に依存しているため、異なる氷サービスでは異なるSoDラベルを同じ条件に割り当てることができるためである。
我々は、この変異を独立に生成された専門家アノテーションのマルチアノテーションラベルの不確実性(multi-annotator label)と定義し、アノテーションを単一の決定論的ターゲットに分解することで、この変異を破棄する。
第二の不確実性の源は、学習モデル自体に起因している。
本稿では,独立系アイスサービスチャート間の不一致からのアノテーションの不確かさと,学習した予測モデルからのモデル不確かさを定量化する。
次に,氷サービスが一致しない場合のモデル不確実性が高いかどうかを調べることにより,それらの関係性を評価する。
我々は,複数のアノテータからの情報を取り入れた監視が,この対応を改善することを観察した。
この関係は氷辺付近で強くなり、モデル予測の不確実性はマルチアノテータの不一致を密に追跡し、0～10km以内で0.704の相関に達する。
不確実性推定のアプローチの中で、モンテカルロのドロップアウトは、キャリブレーション誤差が0.050である、最良のキャリブレーションされた信頼推定を提供する。
関連論文リスト
- Do AI Forecast Ensembles Sample the Correct Conditional Distribution? [0.3538763598295922]
我々は,米国東海岸の干潟8地点で,確率的海底海水準予測のための拡散モデルを訓練した。
その結果,各駅における正の技量とリードタイムの正の技量と,共同空間構造が気候学的なドローよりも悪いことが判明した。
論文 参考訳（メタデータ） (2026-08-09T23:16:10Z) - Bias Leaves a Gradient Trail: Label-Free Bias Identification via Gradient Probes on Concept Decompositions [8.894428198928333]
本稿では,凍結視覚モデルにおける突発的概念を識別するためのバイアスラベルのないポストホック法を提案する。
Colored MNIST と Waterbirds では、この手法は既知のスプリアスキューに沿った概念を復元する。
推論時間における上位概念の抑制は、最悪のグループ精度を最大17.9ポイント向上させる。
論文 参考訳（メタデータ） (2026-05-27T17:39:10Z) - DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。
本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:09:59Z) - Identifying Metric Structures of Deep Latent Variable Models [11.406154623608927]
深い潜伏変数モデルは、研究された現象の内部の働きを反映したデータの凝縮表現を学習する。
現在のソリューションは、潜在変数モデルに対する追加の制約を通じて、識別可能性の欠如を制限する。
私たちは目的を変える:潜伏変数を識別する代わりに、それらの間の関係を識別する。
論文 参考訳（メタデータ） (2025-02-19T14:20:28Z) - Certainly Uncertain: A Benchmark and Metric for Multimodal Epistemic and Aleatoric Awareness [106.52630978891054]
視覚言語AIシステムに特有の不確実性の分類法を提案する。
また、精度と校正誤差の両方によく相関する新しい計量信頼度重み付き精度を導入する。
論文 参考訳（メタデータ） (2024-07-02T04:23:54Z) - Assessing Annotation Accuracy in Ice Sheets Using Quantitative Metrics [10.770434484584342]
本研究は,氷床アノテーション手法の検証を目的とした定量的指標スイートを導入することで,正確な氷床データ解釈の必要性に対処する。
本手法は,氷層アノテーションの連続性と接続性を評価するために,伝統的に氷河学研究で利用されていないいくつかのコンピュータビジョンメトリクスを取り入れている。
論文 参考訳（メタデータ） (2024-06-26T04:43:51Z) - Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。
トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
論文 参考訳（メタデータ） (2024-02-13T11:25:20Z) - Confidence and Dispersity Speak: Characterising Prediction Matrix for
Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。
我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。
核の基準は既存の手法よりも正確で堅牢であることを示す。
論文 参考訳（メタデータ） (2023-02-02T13:30:48Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Uncertainty Estimation for Heatmap-based Landmark Localization [4.673063715963989]
推定誤差境界を持つ不確実性によって予測を分類するデータ駆動手法であるQuantile Binningを提案する。
この枠組みは,3つの不確実性対策を比較し,対比することによって実証する。
我々は、Quantile Binsで捕捉された大まかな誤予測をフィルタリングすることで、許容可能なエラー閾値下での予測の割合を大幅に改善する、という結論を導いた。
論文 参考訳（メタデータ） (2022-03-04T14:40:44Z) - Uncertainty in Data-Driven Kalman Filtering for Partially Known
State-Space Models [84.18625250574853]
本稿では,ハイブリッドモデルに基づくディープステートトラッキングアルゴリズムであるKalmanNetを用いて,不確実性の評価を行う。
誤差共分散行列は内部特性に基づいて不確実性の測定値として計算可能であることを示す。
システムダイナミクスが分かっている場合、KalmanNetは統計情報にアクセスせずにデータからマッピングを学習し、Kalmanフィルタに類似した不確実性を示す。
論文 参考訳（メタデータ） (2021-10-10T08:52:18Z)
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。