論文の概要: ARENA: Active Region attENtion Aggregation for interpretable solar flare prediction

• arxiv url: http://arxiv.org/abs/2610.32758v1
• Date: Fri, 23 Oct 2026 15:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.590136
• Title: ARENA: Active Region attENtion Aggregation for interpretable solar flare prediction
• Title（参考訳）: ARENA:太陽フレア予測のためのアクティブリージョンアテンションアグリゲーション
• Abstract要約: そこで本稿では,太陽フレアの予測を行うニューラルネットワークアーキテクチャを提案する。 ARENA が他のフレア予測手法に匹敵する Heidke スキルスコア 0.45 を達成することを示す。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting solar flares is a challenging space-weather forecasting problem with potentially significant impacts on Earth's upper atmosphere, including disruptions to radio communications. We propose Active Region attENtion Aggregation (ARENA), a neural network architecture that predicts solar flares from a variable number of active-region cutouts while learning to identify the region most relevant to the prediction. ARENA is trained using multiple-instance learning under weak supervision, requiring only a flare/no-flare label for the observation and no labels specifying the flare origin. The learned attention mechanism therefore provides a means of localizing the active region driving the prediction without explicit origin annotations. ARENA achieves a heidke skill score of 0.45 which is comparable to other flare prediction approaches. These results demonstrate that active-region-based aggregation can provide an efficient and interpretable approach to solar flare prediction. The code is available at https://github.com/LuisBauer22/ARENA.
• Abstract（参考訳）: 太陽フレアの予測は、地球上層大気に潜在的に重大な影響を及ぼす可能性のある宇宙天気予報問題である。 本研究では,その予測に最も関係のある領域を学習しながら,多変数のアクティブ領域カットアウトから太陽フレアを予測するニューラルネットワークアーキテクチャであるアクティブリージョンアテンションアグリゲーション(ARENA)を提案する。 ARENAは、観察のためにフレア/ノフレアラベルを必要とせず、フレアの起源を特定するラベルも必要とせず、弱い監督の下で多重インスタンス学習を用いて訓練される。 したがって、学習された注意機構は、明示的な原点アノテーションなしで予測を駆動するアクティブな領域をローカライズする手段を提供する。 ARENAは、他のフレア予測手法に匹敵するハイドケスキルスコア0.45を達成する。 これらの結果から,太陽フレア予測に対する有効かつ解釈可能なアプローチが得られた。 コードはhttps://github.com/LuisBauer22/ARENAで公開されている。

関連論文リスト

• WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers [57.192711741481425]
  WOLFは、将来の観測を予測し、自律探査を強化する世界モデル誘導フレームワークである。 WOLFは、観測履歴と探索中の候補運動を組み合わせて、局所的占有率と可視性を予測する。 シミュレーションでは,ガレージにおけるEPICと比較して平均終端時間を10.9%削減する。
  論文  参考訳（メタデータ） (2026-09-20T14:09:26Z)
• Semi-Supervised Deep Domain Adaptation for Predicting Solar Power Across Different Locations [0.0]
  本稿では,対象位置からのラベル付きデータを最小限の精度で予測できる半教師付き深層ドメイン適応フレームワークを提案する。 我々のアプローチでは、ソース位置のデータに基づいて深層畳み込みニューラルネットワークをトレーニングし、ソースのない教師学生モデル構成を使用してターゲット位置に適応する。 対象ドメインに20 %のデータしかなかったアノテーションにより、我々のアプローチは、目標ドメインとしてカリフォルニア、フロリダ、ニューヨークに対して、11.36 %$、65 %$、4.92%$に改善されている。
  論文  参考訳（メタデータ） (2025-08-06T07:45:35Z)
• An Interpretable Machine Learning Approach to Understanding the Relationships between Solar Flares and Source Active Regions [4.318993143281039]
  本稿では、二分分類問題に対処するためにランダムフォレスト(RF)モデルを用いる。 2011年から2021年にかけて、SolarMonitor.orgとXRTのフレアデータベースによって収集された観測データを用いて、太陽フレアと起源のARとの間の関係を分析する。 AR_Type_Today と Hale_Class_Yesterday の2つの特徴は,それぞれ最強かつ最短であることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T22:00:39Z)
• Large Scale Evaluation of Deep Learning-based Explainable Solar Flare Forecasting Models with Attribution-based Proximity Analysis [0.0]
  太陽フレア予測のための深層学習モデルの解釈可能性を評価するための新しい枠組みを提案する。 本研究は、24時間窓内のフレアを予測するために、全ディスクラインオブライト(LoS)マグネティックグラム画像に基づいてトレーニングされた2つのモデルを比較した。 以上の結果から,モデルの予測は活動領域の特徴と異なる程度に一致していることが示唆された。
  論文  参考訳（メタデータ） (2024-11-27T05:43:34Z)
• Modeling State Shifting via Local-Global Distillation for Event-Frame Gaze Tracking [61.44701715285463]
  本稿では,イベントデータとフレームデータの両方を用いた受動的視線推定の問題に取り組む。 我々は、現在の状態からいくつかの事前登録されたアンカー状態に移行する状態の定量化として、視線推定を再構成する。 大規模視線推定ネットワークを直接学習する代わりに,地域の専門家グループと学生ネットワークを連携させることにより,一般化能力の向上を図る。
  論文  参考訳（メタデータ） (2024-03-31T03:30:37Z)
• LOPR: Latent Occupancy PRediction using Generative Models [28.49346874213506]
  LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。 本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-03T22:04:00Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Machine learning as a flaring storm warning machine: Was a warning machine for the September 2017 solar flaring storm possible? [0.0]
  機械学習は、過去10年間の最も暴力的で最も予期せぬ出来事についてタイムリーな警告を送る方法として利用できることを示す。 また,スペーサ性向上機械学習と特徴ランクの併用により,予測過程においてエネルギーがアクティブリージョン特性として果たす重要な役割を識別できることが示唆された。
  論文  参考訳（メタデータ） (2020-07-05T19:03:54Z)
• A Framework for Designing and Evaluating Solar Flare Forecasting Systems [0.0]
  太陽フレアは地球の大気に影響を与える最も重要な事象である。 本稿では,フレア予測システムの設計,訓練,評価を行うための枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-05T21:05:10Z)

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。