定义机器学习大气模拟器中的误差累积
机器学习
2024-05-24 v1
摘要
机器学习（ML）最近在模拟大气系统（如天气）方面显示出显著前景。许多这些ML模型是自回归的，其预测中的误差累积是一个关键问题。然而，对于“误差累积”实际包含什么，没有明确的定义。在本文中，我们提出了一个定义和一个相关度量来测量它。我们的定义区分了由于模型缺陷（我们希望修复）导致的误差和由于大气系统的内在属性（混沌、未观测变量）导致的误差，后者是不可修复的。我们通过提出一个受其启发的简单正则化损失惩罚来说明该定义的有用性。这种方法在一系列大气系统中显示出性能改进（根据RMSE和扩展/技能），包括真实世界的天气预报任务。
引用
@article{arxiv.2405.14714,
title = {Defining error accumulation in ML atmospheric simulators},
author = {Raghul Parthipan and Mohit Anand and Hannah M. Christensen and J. Scott Hosking and Damon J. Wischik},
journal= {arXiv preprint arXiv:2405.14714},
year = {2024}
}
备注
Submitted to NeurIPS 2024. 27 pages (including appendices)