Domain Generalization Strategy to Train Classifiers Robust to Spatial-Temporal Shift

要約

近年、ディープラーニングを用いた気象予測モデルが大きく発展しています。しかし、ディープラーニングに基づくデータ駆動型モデルは、空間-時間的なずれに弱いため、実世界のアプリケーションに適用することは困難である。特に、気象予測タスクは、モデルが局所性や季節性にオーバーフィットしている場合、空間-時間的なずれの影響を受けやすい。本論文では、天気予報モデルを空間-時間シフトに頑健にするための学習戦略を提案する。まず、既存の学習戦略のハイパーパラメータと補強がモデルの空間-時間シフト頑健性に与える影響を分析する。次に、解析結果に基づいてハイパーパラメータとオーグメントの最適な組み合わせを提案し、テストタイムオーグメントを提案する。全ての実験をW4C22 Transferデータセットで行い、1位の性能を達成した。

要約(オリジナル)

Deep learning-based weather prediction models have advanced significantly in recent years. However, data-driven models based on deep learning are difficult to apply to real-world applications because they are vulnerable to spatial-temporal shifts. A weather prediction task is especially susceptible to spatial-temporal shifts when the model is overfitted to locality and seasonality. In this paper, we propose a training strategy to make the weather prediction model robust to spatial-temporal shifts. We first analyze the effect of hyperparameters and augmentations of the existing training strategy on the spatial-temporal shift robustness of the model. Next, we propose an optimal combination of hyperparameters and augmentation based on the analysis results and a test-time augmentation. We performed all experiments on the W4C22 Transfer dataset and achieved the 1st performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL