論文の概要: On the Limits of Univariate Deep Learning for Significant Wave Height Forecasting

• arxiv url: http://arxiv.org/abs/2609.30688v1
• Date: Fri, 25 Sep 2026 01:51:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.184273
• Title: On the Limits of Univariate Deep Learning for Significant Wave Height Forecasting
• Title（参考訳）: 波高予測のための一変量深層学習の限界について
• Abstract要約: すべてのマルチブイトライアルが永続性(平均スキル+0.062)を破りますが、アーキテクチャが他のものより一貫して優れています。 単一ブイ実験では、5回の試行が持続性を下回る12-24hで、家族ごとのQ4/Q3テストMSE比は2.4から2.6の範囲で、深層モデルは最も極端な1%の波に対して持続性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study conducts a systematic hyperparameter search across five deep learning architectures, DLinear, LSTM, PatchTST, ResAttLstm, and Mamba2, and nine context lengths (1-168 h) for single-station significant wave height (Hs) forecasting on NDBC buoy 41009, followed by re-evaluation of the best configurations on a 47-buoy, 37-year corpus. The five families converge to a common performance level on the multi-buoy evaluation (between-family SD = 0.0014 m^2, 0.8% of the grand mean), a spread dwarfed by the 4.83x cross-dataset MSE shift between buoy corpora. All multi-buoy trials beat persistence (mean skill +0.062), but no architecture consistently outperforms the others. On the single-buoy experiment, skill peaks at 12-24 h where five trials fall below persistence, per-family Q4/Q3 test MSE ratios range from 2.4 to 2.6, and deep models underperform persistence for the most extreme 1% of waves. These findings are consistent with the interpretation that persistence already captures the dominant linear-inertial signal in univariate Hs, and that architecture engineering under this univariate input setting has reached diminishing returns: cross-buoy variance, not model class, dominates forecast error. Future work should prioritise atmospheric covariates, zero-shot cross-buoy transfer, and decomposition of Hs into swell and wind-sea components. By establishing a rigorous reference baseline for what univariate Hs models can and cannot achieve, this study provides a benchmark against which future multivariate and physics-informed approaches can be calibrated, and offers practical guidance for lightweight buoy-level forecasting in mid-latitude storm-dominated and swell-mixed environments.
• Abstract（参考訳）: 本研究は, DLinear, LSTM, PatchTST, ResAttLstm, Mamba2の5つのディープラーニングアーキテクチャを対象とし, NDBCブイ41009に基づいて予測した1ステーションの波高 (Hs) に対する9つのコンテキスト長 (1-168 h) と, 47ブイ37年コーパスの最適構成の再評価を行った。 5つのファミリーは、ブイコーパス間の4.83倍のデータ集合MSEシフトにより、多重ブイ評価(SD = 0.0014 m^2、グランド平均の0.8%)において共通の性能レベルに収束する。 すべてのマルチブイトライアルが永続性(平均スキル+0.062)を破りますが、アーキテクチャが他のものより一貫して優れています。 単一ブイ実験では、5回の試行が持続性を下回る12-24hで、家族ごとのQ4/Q3テストMSE比は2.4から2.6の範囲で、深層モデルは最も極端な1%の波に対して持続性を示す。 これらの結果は、永続化が既に一変量Hsにおける支配的な線形慣性信号を捕捉しているという解釈と一致しており、この単変量入力設定の下でのアーキテクチャ工学は、モデルクラスではなくクロスブイ分散(英語版)が予測誤差を支配している、という解釈と一致している。 今後の作業は、大気の共変量、ゼロショットのクロスブイ移動、Hsの膨潤成分と風海成分への分解を優先すべきである。 単変量Hsモデルでできることと達成できないことに対する厳密な基準基準を確立することにより、将来の多変量および物理インフォームドアプローチの校正が可能なベンチマークを提供し、中緯度嵐支配環境と腫大混合環境における軽量ブイレベルの予測のための実践的ガイダンスを提供する。

関連論文リスト

• From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
  テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。 本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
  論文  参考訳（メタデータ） (2026-09-06T05:43:22Z)
• Predictors and Orchestrators: Parsimonious Machine Learning within an Agentic AI Harness for Multi-Horizon Karst Aquifer Forecasting [3.0105723746072997]
  本研究は,テキサス州の湧水および地下水位を1～12週間前に予測するためのデプロイメント対応フレームワークを開発し,評価する。 極度の勾配上昇は一貫して最も信頼性が高かった。 深層モデルは短い地平線で競争力があったが、徐々に劣化し、長いリードタイムで孤立した失敗を見せた。
  論文  参考訳（メタデータ） (2026-09-06T03:06:13Z)
• Scaling Closed-Loop Feature Channel Configuration with LLMs [48.83701310501069]
  この分析では,8サイクルから2000件の候補が生成され,タスクおよびメタデータフィルタリング後のCIFAR-100の評価結果が462件得られた。 最良のモデルは11.8Mパラメータで0.3676に達し、初期のハイパフォーマンスモデルは0.3144で166.5Mパラメータである。 検証された候補の41.8%で2つのチャネル幅の非パワーが発生し、最強のモデルではチャネル配置パターンが共有される。
  論文  参考訳（メタデータ） (2026-07-07T22:31:53Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
  テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。 TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
  論文  参考訳（メタデータ） (2026-04-21T10:01:04Z)
• A Dual-TransUNet Deep Learning Framework for Multi-Source Precipitation Merging and Improving Seasonal and Extreme Estimates [2.9811995156103457]
  衛星探査と再分析による多ソース降水生成物 (MSP) は, 温暖化モニタリングに広く利用されている。 我々は6つのMSPと4つのERA5物理予測器を統合する2段階のTransUNetベースのマルチソース降水統合フレームワーク(DDL-MSPMF)を開発した。
  論文  参考訳（メタデータ） (2026-02-04T16:55:43Z)
• Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty [0.0]
  本研究は,確率論的モデリングにより,アレータリックな不確実性を直接学習する,新しい不確実性を考慮したディープラーニングフレームワークを提案する。 本フレームワークは,RMSEが5.14,6.89,5.27,7.16で,ブレークスルークリティカルゾーン性能(RUL=30サイクル)を達成する。 学習された不確実性は95パーセントの信頼区間を提供し、カバー範囲は93.5パーセントから95.2%までであり、リスク対応のメンテナンススケジュールを可能にしている。
  論文  参考訳（メタデータ） (2025-11-24T13:53:31Z)
• SeisMoLLM: Advancing Seismic Monitoring via Cross-modal Transfer with Pre-trained Large Language Model [63.723408707172894]
  本研究は,地震モニタリングにクロスモーダル転送を利用する最初の基礎モデルであるSeesMoLLMを提示する。 5つの重要なタスクでDiTingとSTEADデータセットの最先端のパフォーマンスを実現する。 優れたパフォーマンスに加えて、SeesMoLLMはトレーニングと推論の両方において軽量モデルに匹敵する効率を維持している。
  論文  参考訳（メタデータ） (2025-02-27T10:35:53Z)

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。