文献

J-GLOBAL ID：201702226388779141   整理番号：17A0940122

アンサンブル予報のためのオンラインマルチタスク学習フレームワーク【Powered by NICT】

Online Multi-Task Learning Framework for Ensemble Forecasting

著者 (4件)： Xu Jianpeng (Department of Computer Science and Engineering, Michigan State University, East Lansing, MI) ,  Tan Pang-Ning (Department of Computer Science and Engineering, Michigan State University, East Lansing, MI) ,  Zhou Jiayu (Department of Computer Science and Engineering, Michigan State University, East Lansing, MI) ,  Luo Lifeng (Department of Geography, Michigan State University, East Lansing, MI)
資料名： IEEE Transactions on Knowledge and Data Engineering  (IEEE Transactions on Knowledge and Data Engineering)
巻： 29  号： 6  ページ： 1268-1280  発行年： 2017年 
JST資料番号： T0838A  ISSN： 1041-4347  CODEN： ITKEEH  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： アンサンブル予測は非線形動的システムの発展をモデル化するために広く使用されている数値予測方法である。このようなシステムの将来の状態を予測するために,アンサンブルメンバー予測の計算機モデルの複数ランから発生し,各ランは開始条件を乱すまたはシステムの異なるモデル表現を用いて得られる。アンサンブル平均あるいは中央値はアンサンブルメンバー予測のための点推定として選択される。これらのアプローチであることを,各アンサンブルメンバーである同等に熟練した仮定制限され,予測された時系列の時間的自己相関を保存しない可能性がある。これらの限界を克服するために,ORIONは,アンサンブルメンバー予測を結合するための最適な重みを推定すると呼ばれるオンラインマルチタスク学習フレームワークを提案した。他の既存の定式化とは異なり,この新しい観測データに対して検証し,予測した誤ったならば,提案したフレームワークは,その学習アルゴリズムは,将来の予測を行う前に,以前の予測をバックトラック・修正しなければならないという点で新しい。再出発を伴うオンライン学習としてこの戦略と呼ばれる。著者らの提案したフレームワークは,予測された時系列の一貫性を確保するためのグラフラプラシアン正則化器を採用している。ε非感受性と分位数損失関数を含む異なるタイプの損失関数の後者は極値予測のための特に有用なを受け入れることができる。提案アルゴリズムの収束性を実証している理論的証明も与えた。北アメリカにおける十二の主要な河川流域からの季節的土壌水分予測に関する実験的結果は,他のベースラインアルゴリズムと比較してORIONの優位性を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 動的系 ,  学習アルゴリズム ,  *アンサンブル予報 ,  土壌水 ,  モデリング ,  自己相関 ,  数値予測 ,  損失関数 ,  定式化 ,  予測 ,  正則化
準シソーラス用語： オンライン学習 ,  アンサンブルメンバ ,  *マルチタスク学習 ,  *オンライン , 【Automatic Indexing@JST】

分類 (1件)： その他の情報処理  (JE15050M)

タイトルに関連する用語 (4件)： アンサンブル予報 ,  オンライン ,  マルチタスク学習 ,  フレームワーク