Fugu-MT 論文翻訳(概要): SoftSEEPS improves ML-based precipitation forecasting

論文の概要: SoftSEEPS improves ML-based precipitation forecasting

arxiv url: http://arxiv.org/abs/2610.09752v1
Date: Wed, 07 Oct 2026 09:40:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 21:58:22.835855
Title: SoftSEEPS improves ML-based precipitation forecasting
Title（参考訳）: SoftSEEPSがMLベースの降水予測を改善
Abstract要約: We developed a differentiable approximation of the well-known SEEPS score, which is we called SoftSEEPS。我々は、事前訓練された低解像度予測モデルの潜水空間に降水するデコーダをトレーニングし、IMERGデータセット上でSoftSEEPSをテストする。
参考スコア（独自算出の注目度）: 12.954883969810867
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper we have developed a differentiable approximation of the well-known SEEPS score, which we name SoftSEEPS. This allows the training of a Machine Learning model to forecast precipitation directly. We test SoftSEEPS on the IMERG dataset (0.1 degree resolution) by training a decoder for precipitation on the latent space of a pre-trained low-resolution forecasting model. Combining SoftSEEPS and RMSE in a joint objective is possible with marginal trade-offs in either metric.
Abstract（参考訳）: 本稿では,よく知られたSEEPSスコアの微分可能な近似法を開発し,それをSoftSEEPSと呼ぶ。これにより、機械学習モデルのトレーニングは、降水を直接予測できる。我々は、事前訓練された低解像度予測モデルの潜在空間に降水するためのデコーダをトレーニングすることにより、IMERGデータセット(0.1度分解能)上でSoftSEEPSをテストする。 SoftSEEPS と RMSE を共同目的に組み合わせることは、いずれの指標においても限界トレードオフが可能である。

関連論文リスト

Beyond MSE: Improving Precipitation Nowcasting with Multi-Quantile Regression [2.0912407740405903]
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。
論文参考訳（メタデータ） (2026-05-28T15:55:17Z)
Improvements to the post-processing of weather forecasts using machine learning and feature selection [0.0]
本研究の目的は,降水量,温度,風速予測のための機械学習に基づく後処理モデルの開発と改良である。対象地を囲む格子点からの気象変数を入力特徴として取り入れ,相関解析に基づく特徴選択を適用することにより,LightGBMモデルによるRMSEの低下が確認された。降水量はゼロの場合が多いため,ツイーディに基づく損失関数と,降水予測のためのイベント重み付きトレーニング戦略も検討した。
論文参考訳（メタデータ） (2026-04-21T11:17:29Z)
Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-06-16T20:58:05Z)
Learning Mixtures of Experts with EM: A Mirror Descent Perspective [28.48469221248906]
古典的なMixtures of Experts(MoE)は、入力空間を含む機械学習モデルであり、各パーティションでトレーニングされた個別の"エキスパート"モデルである。我々は,MoEモデルのトレーニングにおける期待最大化(EM)アルゴリズムの理論的保証について検討する。
論文参考訳（メタデータ） (2024-11-09T03:44:09Z)
Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models [52.98743860365194]
本稿では,SPIN(Self-Play fIne-tuNing)と呼ばれるファインチューニング手法を提案する。 SPINの中心には自己再生機構があり、LLMは自身のインスタンスと対戦することでその能力を洗練させる。このことは、自己プレイの約束に光を当て、熟練した相手を必要とせずに、LSMにおける人間レベルのパフォーマンスの達成を可能にする。
論文参考訳（メタデータ） (2024-01-02T18:53:13Z)
From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
論文参考訳（メタデータ） (2023-08-23T09:45:29Z)
Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
論文参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。