基于文本与气象数据联合表示学习的无监督恶劣天气检测
机器学习
2020-05-18 v1 机器学习
摘要
在观测现象时，严重个例或异常通常表现为偏离预期的数据分布。然而，未偏离的数据样本也可能隐式地导致严重后果。在无监督恶劣天气检测中，这些数据样本会导致误预测，因为恶劣天气的预测因子往往不能直接作为特征被观测到。我们假定，引入外部或辅助信息（例如某项外部任务或观测的结果）可改善无监督检测算法的决策边界。本文中，我们通过学习增广且线性可分的潜在表示，提升了用于检测恶劣天气个例的聚类方法的有效性。我们针对三种恶劣天气个例——即风暴、洪水与龙卷风爆发——评估了我们的方案。
引用
@article{arxiv.2005.07243,
title = {Unsupervised Severe Weather Detection Via Joint Representation Learning Over Textual and Weather Data},
author = {Athanasios Davvetas and Iraklis A. Klampanos},
journal= {arXiv preprint arXiv:2005.07243},
year = {2020}
}