返回
Extreme Event Aware (η-) Learning
DOI:10.1038/s41467-026-76811-x.png)
摘要
En 中文
量化与预测稀有和极端事件具有挑战性,因为此类事件不频繁、严重且模拟成本高昂。现有的数据驱动方法通常需要训练数据或采样过程中包含多个极端事件,导致在平静区域预测准确但在极端事件区域存在高先验不确定性。为克服此局限,我们引入了极端事件感知(η-)学习,该方法无需数据中包含极端事件。通过在训练过程中强制执行指示极端性的可观测量的统计特性(源自定性知识或无标签数据),该方法即使在未探索的极端区域也能降低不确定性。这种统计正则化使得模型在拟合观测数据的同时与指定的可观测统计量保持一致,能够生成前所未有的极端事件。基于最优传输的理论结果提供了严谨的依据并确立了关键的最优性属性。在原型系统和真实降水降尺度问题上的数值实验验证了η-学习框架的有效性。稀有和极端事件难以预测,因为它们发生不频繁且可能缺失于可用数据中。本文作者介绍了一种利用统计知识生成合理未见极端事件的方法,即使训练数据中未出现此类事件。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.3W
被引数:
91.2W
机构
引用论文
ERA5-Land: a state-of-the-art global reanalysis dataset for land applicationsERA5-Land: 最先进的全球土地应用再分析数据集
Physics-constrained deep learning for high-dimensional surrogate modeling and uncertainty quantification without labeled data用于高维代理建模和不确定性量化的物理约束深度学习,无需标记数据

