Компьютерные науки > Машинное обучение [представлено 16 сентября 2026 года] Название: Каждая фиксированная метрика имеет слепой спот: Усвоенный атмосферный критический для Scoriing Realism View PDF HTML (экспериментальный) резюме: Несмотря на их высокую точность в отношении точечных параметров, модели машинного обучения прогноза погоды могут проявлять различные виды сбоев, такие как размывка, периодические нарушения и другие нефизические пространственные артефакты. Это побудило различные метрики выявлять известные случаи неудач. Существующие метрики заранее определяют представление или преобразование, и этот выбор ограничивает артефакты, которые они могут обнаружить. Мы предлагаем обучить дискриминатора отделять исходные данные от выходных данных модели и использовать их для получения реализма, похожего на расхождения. Дискриминатор учится тому, что отделяет поля модели от реальной погоды, адаптируясь к любому из режимов отказа, которые показывают модель. Мы сравниваем наш опытный атмосферный критик с существующими показателями, используя различные синтетические коррумпированные данные для повторного анализа данных ЭРА5. Наш метод успешно выявляет коррупцию и определяет степень их серьезности, в то время как существующие показатели не дают результатов по крайней мере на одном из видов коррупции. Кроме того, мы оцениваем прогнозы на основе реальных метеорологических моделей и обнаруживаем, что реализм ухудшается с более длительными сроками реализации, а метрика обычно отводит…
У каждой фиксированной метрик есть слепая точка: обучаемый атмосферный критический фактор для скользящего прогноза реальности
arXiv: 2609.18381v1 Аннонс Тип: новое резюме: Несмотря на высокую точность в отношении параметров по точкам, модели машинного обучения прогноза погоды могут проявлять различные режимы отказа, такие как размытость, периодические нарушения и другие нефизические пространственные артефакты. Это побудило различные метрики выявлять известные случаи неудач. Существующие метрики заранее определяют представление или преобразование, и этот выбор ограничивает артефакты, которые они могут обнаружить. Мы предлагаем обучить дискриминатора отделять исходные данные от выходных данных модели и использовать их для получения реализма, похожего на расхождения. Дискриминатор учится тому, что отделяет поля модели от реальной погоды, адаптируясь к любому из режимов отказа, которые показывают модель. Мы сравниваем наш опытный атмосферный критик с существующими показателями, используя различные синтетические коррумпированные данные для повторного анализа данных ЭРА5. Наш метод успешно выявляет коррупцию и определяет степень их тяжести, в то время как существующие показатели не работают на Leas