論文の概要: From hydrological laws to catchment models: A process-based model matches deep-learning accuracy on three continents
- arxiv url: http://arxiv.org/abs/2611.06382v1
- Date: Wed, 04 Nov 2026 11:45:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.097975
- Title: From hydrological laws to catchment models: A process-based model matches deep-learning accuracy on three continents
- Title（参考訳）: 水理法則から捕集モデル:3大陸の深層学習精度とプロセスベースモデル
- Abstract要約: ドゥージは水文学が捕食の規模で法則を持っているか尋ねた。
物理法則で構築された低次元システムは、同じ入力上でプロセスベースモデルより優れているニューラルネットワークの精度に適合するかどうかを問う。
- 参考スコア（独自算出の注目度）: 1.0716884690872994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dooge asked whether hydrology has laws at the catchment scale. We ask whether a low-dimensional system built under physical laws can match the accuracy of neural networks that outperform process-based models on the same inputs. Three laws constrain a lumped catchment model. Conservation makes it a flux-connected storage network, dissipation fixes the sign of every flux and aggregation determines how the unresolved composition enters the fluxes, through effective laws over threshold distributions and a memory of the forcing. These laws admit four kinds of refinement. A parsimonious model under them, CaRT (11 parameters per catchment), is refined in a loop assisted by AI agents. Each refinement addresses an observed deficit through a hypothesis from the literature. The result, CaRT+, has fourteen states, 35 parameters per catchment and no daily neural network. Most refinements follow from aggregation over thresholds or from variables that carry no water but modulate fluxes. On 602 British and 593 US gauged catchments, single CaRT+ models reach median Nash-Sutcliffe efficiencies of 0.863 and 0.765 in held-out years. A stateful LSTM reaches 0.869 and 0.751 and an entity-aware LSTM 0.862 and 0.754, while three-seed LSTM ensembles remain ahead of the CaRT+ ensemble by 0.003-0.012 in median paired NSE. On 505 drier Australian gauged catchments unused in development, single CaRT+ models reach 0.778 against 0.762 and 0.753 for the two LSTMs. The results suggest that catchment-scale laws exist as laws of form, with the constitutive families shared and only their parameters learned.
- Abstract（参考訳）: ドゥージは水文学が捕食の規模で法則を持っているか尋ねた。
物理法則で構築された低次元システムは、同じ入力上でプロセスベースモデルより優れているニューラルネットワークの精度に適合するかどうかを問う。
3つの法律は、ラップされたキャッチメントモデルを制約します。
保存はフラックス接続されたストレージネットワークとなり、散逸は全てのフラックスの符号を固定し、未解決の組成がフラックスに入る方法を決定する。
これらの法律には4種類の改良がある。
その下にある類似モデルであるCaRT(11パラメータ)は、AIエージェントが補助するループで洗練される。
それぞれの改良は、文献からの仮説を通じて観察された欠陥に対処する。
その結果、CaRT+は14の状態を持ち、キャッチメントあたり35のパラメータを持ち、毎日のニューラルネットワークは存在しない。
ほとんどの精細化は、閾値の上の凝集や、水は持たないがフラックスを調節する変数から続く。
イギリスの602台とアメリカの593台では、1台のCaRT+が中央値のナッシュ=サトクリフ効率0.863と0.765に達した。
ステートフルLSTMは0.869、0.751、エンティティ対応LSTM 0.862、0.754に達するが、3列LSTMアンサンブルは中央ペアNSEでは0.003-0.012でCaRT+アンサンブルより前方に残る。
開発に未使用のオーストラリア製505口径計では、1台のCaRT+が0.778、LSTMは0.762、0.753に達した。
その結果, 漁獲規模の法則は形態の法則として存在し, 構成的家族は共用し, パラメータのみを学習したことが示唆された。
関連論文リスト
- On-Policy Residual Learning for Diffusion Language Models [44.61221631155474]
拡散言語モデルにおけるオンライン残差学習のためのフレームワークORLを紹介する。
我々は,非同期残差キャプチャとトランスポート,特殊ブロック拡散アテンション,計算平衡トレーニングを併用してアルゴリズムを設計する。
Qwen3-4Bから変換された4B DLMでは、ORLは転送当たりトークン(TPF)を最大6.2倍改善します。
論文 参考訳（メタデータ） (2026-10-14T17:13:17Z) - A Strong Harness Narrows the Model Gap: A Comparative Evaluation for Legislative Document-to-XML Conversion [0.0]
本稿では、米国の州法を厳密でスキーマに制約されたXMLに変換する産業用パイプラインについて報告する。
制御されたアブレーションは、3つのハーネス(ゼロショット、ツール使用エージェント、マルチエージェントパイプライン)を渡り、2つの管轄区域から153枚の金紙幣にクロードモデル3つを配置する。
論文 参考訳（メタデータ） (2026-10-14T11:15:25Z) - Nyström Attention Matches Full Attention for Cross-Sectional Stock Prediction [0.0]
MASTERの車種間マルチヘッドはモデルパラメータの42.5%、予測値の25%を占めている。
学習された注意は、ほぼ一様(複雑度278/300)であるが、厳密な均一性は、すべての断面的差別を排除している。
論文 参考訳（メタデータ） (2026-09-08T01:34:53Z) - Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。
共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。
このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
論文 参考訳（メタデータ） (2026-08-08T13:22:14Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - PHANTOM: Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry [0.2538209532048867]
ハネトケンは、不正な属性アクセスを検出するために植えられたデコイデジタル資産である。
PHANTOMは,組織固有の知識を符号化することで,文脈的に説得力のあるハネトケンを生成するフレームワークである。
結果は外部のAPIコールなしで再現されるため、パイプラインは空調された環境で完全にデプロイできる。
論文 参考訳（メタデータ） (2026-05-04T17:14:13Z) - Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。
また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。
AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
論文 参考訳（メタデータ） (2026-01-29T09:16:05Z) - Relative Scaling Laws for LLMs [91.73497548097775]
スケーリング法則は、追加のデータ、パラメータ、計算によって言語モデルがどのように改善されるかを記述する。
相対的なスケーリング法則を導入し、テスト分布間のパフォーマンスギャップをスケールで追跡する。
これらの結果は、スケーリングは全体的なパフォーマンスを改善するが、普遍的等化器ではないことを示している。
論文 参考訳（メタデータ） (2025-10-28T16:55:22Z) - CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z) - Continental-scale streamflow modeling of basins with reservoirs: a
demonstration of effectiveness and a delineation of challenges [4.834945446235863]
主要水路の大部分が流水に影響を与えるダムを有しており、大規模な水理モデルで考慮する必要がある。
ここでは,長期記憶(LSTM)深層学習モデルにより,どのタイプの流域がよく表現できるかを分割・コンカレントアプローチで検討する。
アメリカ合衆国に分布する3557盆地(83%が減衰)のデータを解析し,貯水池の用途,容量・流出率(dor),流れのディバージョンの影響を明らかにした。
論文 参考訳（メタデータ） (2021-01-12T11:49:54Z)
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。