論文の概要: Ranked Right, Sized Wrong: Ensemble Spread Fails Silently at Streamflow Extremes

• arxiv url: http://arxiv.org/abs/2610.20947v1
• Date: Wed, 14 Oct 2026 21:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.075709
• Title: Ranked Right, Sized Wrong: Ensemble Spread Fails Silently at Streamflow Extremes
• Title（参考訳）: エンサンブル・スプレッドは、ストリームフローのエクストリームで無秩序に機能する
• Abstract要約: ディープラーニングモデルは、運用ストリームフロー予測にますます使われています。 気候変動が温暖化の頻度を増大させるにつれ、これらのモデルはその歴史的記録に稀な流動条件下での運用が増加する。 本研究は,アンサンブルの拡散が,誤差に対する大きさと誤差のランク付け能力の両面から,増大する流れの下でも有益であるかどうかを検証した。
• 参考スコア（独自算出の注目度）: 1.9078991171384014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models, particularly Long Short-Term Memory networks, are increasingly used for operational streamflow forecasting, with ensemble spread providing a signal of predictive uncertainty. As climate change increases the frequency of hydroclimatic extremes, these models will increasingly operate under flow conditions that are rare in their historical records. We therefore evaluate whether ensemble spread remains informative under increasing flows, examining both its magnitude relative to error and its ability to rank errors. Prediction error is approximately $2\times$ the corrected spread at ordinary flows and up to $4\times$ at the highest flows, with the discrepancy increasing with flow (log-log slope $1.30$, 95% CI: $[1.20,1.41]$). Under-dispersion is strongest in observed extreme flows beyond the training record, reaching an $18\times$ discrepancy. This is pervasive and not explainable by conditional mean bias. Area Under the Sparsification Error, a standard distribution-free metric of uncertainty ranking, describing how well a model knows when it is uncertain, indicates near-oracle ranking for ensemble spread ($0.071$), yet ordering by predicted discharge alone nearly matches it. Informative uncertainty ranking can coexist with severe under-dispersion. In deployment, error ranking cannot be verified, yet the spread is available, and it is relied on as the uncertainty signal under increasingly extreme conditions, while systematically understating risk, most severely for the extreme events that matter most.
• Abstract（参考訳）: ディープラーニングモデル、特にLong Short-Term Memory Networkは、運用上のストリームフロー予測にますます使われており、アンサンブルスプレッドは予測の不確実性のシグナルを提供する。 気候変動が温暖化極度の頻度を増大させるにつれ、これらのモデルはその歴史的記録では稀な流動条件下での運用が増加する。 そこで我々は,アンサンブルの拡散が,誤差に対する大きさと誤りのランク付け能力の両面から,増大する流れの下で情報的のままであるかどうかを検証した。 予測誤差は、通常のフローで補正されたスプレッドと最高フローで最大4\times$であり、フローに伴って差が増加する(log-log slope $1.30$, 95% CI: $[1.20,1.41]$)。 過分散は、トレーニング記録を超えて観測される極端な流れの中で最強であり、18\times$disrepancyに達した。 これは広く普及しており、条件平均バイアスによって説明できない。 エリア・アンダー・ザ・スパシフィケーション・エラー(Area Under the Sparsification Error)は、不確実性ランキングの標準的な分布のない指標で、モデルがいつそれが不確実であるかをいかによく知っているかを記述する。 情報的不確実性ランキングは、深刻な低分散と共存することができる。 デプロイメントでは、エラーランキングは検証できないが、スプレッドは利用可能であり、ますます極端な状況下での不確実性信号として信頼されている。

関連論文リスト

• Forecast Collapse in Time-Series Foundation Models [35.06550187645666]
  時系列基礎モデル(TSFM)、12のディープラーニング予測モデル、97の公開ベンチマーク構成の予測崩壊について検討した。 予測可能性の低さは校正点予測の振幅を制限しているのに対し、シリーズごとの目標はクロスシリーズ構造を未同定のまま残している。 このトレードオフに対応するために、キャリブレーションとランキングのバランスをとるシンプルな目的であるCalibRankを紹介します。
  論文  参考訳（メタデータ） (2026-08-14T09:08:02Z)
• The Geometry of Flow-Matching Uncertainty: A Cost-free Uncertainty Proxy and Its Application in Flow-based VLA Failure Detection [40.15880250907137]
  フローマッチング(FM)は、現代のエンボディドモデルにおいて一般的なアクションヘッドパラダイムとなっている。 理想的なアフィン等方性収縮場からの逸脱として不確実性を示す。 我々は,1つの前方通過路からの軌道の曲げを測定するコストフリーの不確実性プロキシであるデノナイジングアクセラレーション(mathrmaccel$)を導入する。
  論文  参考訳（メタデータ） (2026-07-30T09:44:46Z)
• When Can You Correct Distribution Drift in Temporal Graph Generation? A Sharpening--Drift Tension and an Impossibility for Observation-Based Correction [16.716278644368]
  時間グラフの生成モデルは、進化するネットワークの1つのストレッチでトレーニングされ、次にデプロイされる。 この劣化は一般に導出可能であり、観測では固定不可能である。 過去の観測に対して測定可能な任意の補正器が、少なくともその統計量の条件分散を残していることを証明している。
  論文  参考訳（メタデータ） (2026-07-27T16:59:57Z)
• High-Dimensional Interpolators Can Be Fragile: Heavy Tails and High-Dimensional Large Deviations [3.540245474029962]
  大偏差法による高次元線形補間器について検討する。 まず、隆起のない回帰のリスクは、重端な振る舞いを示す可能性があることを示す。 我々はこの現象を大偏差率のレベルで定量化する。
  論文  参考訳（メタデータ） (2026-07-10T15:58:03Z)
• Quick Change Detection in Discrete-Time in Presence of a Covert Adversary [7.58317340007754]
  離散時間における最短変動検出の問題について検討し, 観測結果の列が未知の時間で分布変化を行う場合について検討する。 平均検出遅延 (ADD) と, 後変化分布が前変化分布に収束した場合の平均誤報 (AT2FA) の挙動を, $to infty$として特徴づける。 ADD = $()$ と定義されているが、古典的な設定では ADD は $ としてしか成長しない。
  論文  参考訳（メタデータ） (2026-01-27T19:56:31Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Super fast rates in structured prediction [88.99819200562784]
  連続的な問題が連続的な値を予測しているときに、離散的な問題が本質的に離散的なアウトプットを予測しているという事実を活用する方法を示す。 まず、近接する隣人に基づく予測器について説明し、二項分類で知られている確率を、構造的予測の枠組み内の任意の離散問題に一般化する。 次に、カーネルリッジの回帰について検討し、問題の硬さを特徴付けるパラメータによって、n-1/4$の既知のレートを任意に高速化する。
  論文  参考訳（メタデータ） (2021-02-01T10:50:04Z)

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。