Continuous Ranked Probability Score
PulseAugur coverage of Continuous Ranked Probability Score — every cluster mentioning Continuous Ranked Probability Score across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究探讨AI天气预报的尺度感知评分规则
一项初步研究探讨了不同评分规则对机器学习概率天气预报模型的影响。研究人员比较了使用单变量和多变量评分规则（包括连续排序概率评分（CRPS）、全局能量评分和图能量评分）训练的AIFS-CRPS模型的变体。虽然在标准指标上的总体预报技能相似，但图能量评分在热带地区表现出改进的性能，并且所有尺度感知设置都通过调整尺度权重提高了预报的真实性。
-
新的RMMD框架结合了扩散蒸馏和强化学习以改进生成模型
研究人员推出了一种名为奖励时刻匹配蒸馏（RMMD）的新框架，该框架将扩散模型蒸馏与强化学习微调相结合。该方法旨在通过同时蒸馏模型和最大化奖励函数来提高生成质量，在适应采样循环进行策略内训练的同时，保持高保真度的“自然感”。在ImageNet上的评估表明，RMMD相比现有方法提供了更优的权衡，并且将其应用于GenCast天气预报模型后，实现了7.5倍的加速，并提高了性能和校准度。
-
Otter Weather AI模型提供高效、准确的中程预报
研究人员开发了Otter Weather，这是一种新的用于中程天气预报的人工智能模型，旨在比当前最先进的方法更高效、更易于访问。该模型显著提高了技能-计算权衡，在所需的训练计算量大大减少的情况下，性能优于传统的数值天气预报（NWP）基线。Otter Weather在概率预报方面也表现出强大的性能，并显示出在其他科学领域（如求解偏微分方程）的潜在适用性。
-
新的生成模型可对齐不齐的卫星气旋数据进行插值
研究人员开发了MotifGen，这是一种新颖的生成模型，旨在对齐不齐的卫星图像进行时空数据插值，并专门应用于热带气旋。该模型解决了不同仪器、不规则时间间隔和地理位置不对齐带来的异构数据挑战。通过采用自监督训练任务，MotifGen显著降低了连续排名概率得分，并在结合红外和微波数据时表现出更好的性能。
-
新的扩散模型通过整合轨迹和扫视路径生成人类注视模式
研究人员开发了ST-DiffEye，一个用于生成人类注视模式的新型扩散框架。该模型独特地整合了连续的眼动追踪轨迹和离散的扫视路径，将注视变异性视为核心特征而非噪声。该框架通过将这些模态连接作为输入通道，采用联合建模方法，只需进行最小的架构更改。还引入了一个基于连续排序概率得分（CRPS）的伴随评估框架，以评估生成注视的准确性和多样性。