Коли справа доходить до прогнозування катастроф, викликаних екстремальними подіями (землетрусами, пандеміями або «хвилями-шахраями», які можуть зруйнувати прибережні споруди), комп'ютерне моделювання стикається з майже непереборною проблемою: ці події настільки рідкісні, що просто недостатньо даних, щоб використовувати прогностичні моделі для точного прогнозування, коли вони будуть наступного разу.
Наголошується, що група вчених з Університету Брауна та Массачусетського технологічного інституту використовували статистичні алгоритми, що потребують меншої кількості даних для точних прогнозів, у поєднанні з потужною технікою машинного навчання. Ця комбінація дозволила їм передбачити сценарії, ймовірності і навіть часові рамки рідкісних подій, незважаючи на відсутність історичних даних.
Дослідницька група виявила, що ця нова структура може обійти потребу у величезних обсягах даних, які традиційно потрібні для таких обчислень, зводячи великий виклик прогнозування рідкісних подій до питання якості над кількістю.
«Ви маєте усвідомити, що це стохастичні події. Спалах пандемії, як COVID-19, екологічна катастрофа в Мексиканській затоці, землетрус, величезні лісові пожежі в Каліфорнії, 30-метрова хвиля, що перекидає корабель, — це рідкісні події, і оскільки вони рідкісні, ми не маємо багато історичних. даних. У нас недостатньо зразків з минулого, щоб передбачити їхнє майбутнє», — пояснює професор прикладної математики та інженерії у Брауні та автор дослідження Джордж Карніадакіс.
Дослідники знайшли у методі послідовної вибірки під назвою активне навчання. Ці типи статистичних алгоритмів здатні не лише аналізувати введені в них дані, але, що важливіше, вони можуть вчитися на основі інформації, щоб позначати нові релевантні точки даних, які однаково або навіть важливіші для результату, що обчислюється. На базовому рівні вони дозволяють зробити більше з меншими витратами.
За словами дослідників, їх новий метод перевершив більш традиційні спроби моделювання та є основою, яка може ефективно виявляти та передбачати рідкісні події.