arXiv雑要約
AI - 2026/06/19 公開
TRAP：タスク遂行と積極的プライバシー抽出への耐性に関するベンチマーク [cs.CR, cs.AI]目的：タスク遂行の正確性とプライバシー漏洩のトレードオフの評価
- 文書処理ワークフローにおけるAIエージェントの利用が拡大しており，プライバシー保護が重要課題となっている。
- AIモデルはタスク遂行のためにプライバシー情報を利用できる一方，その情報を漏洩するリスクを抱えている。
- プライバシーを保護しつつタスクを正確に遂行できるAIモデルの開発を目指す。
- 既存のプロンプトベースの防御策はプライバシー漏洩を軽減するものの，タスクの精度を著しく損なうというトレードオフが存在する。
- どのようなソフト制約による防御策も，高精度なタスク遂行と完全なプライバシー保護を両立できない理論的な限界があることが示された。
- プライバシー情報をハッシュキーに置き換える構造的なプライバシー隔離アプローチが，プライバシー漏洩を抑制しつつ高いタスク精度を維持できることが示された。
OpenAnt：コード分解，敵対的検証，動的テストによるLLMを活用した脆弱性検出 [cs.CR, cs.LG]目的：大規模コードベースにおける脆弱性検出
- ソフトウェアの安全性確保は重要であり，脆弱性検出は不可欠なプロセスである。
- 従来の静的解析では誤検知が多く，動的解析はリソースが必要で対象が限定的である。
- LLMと検証技術を組み合わせ，スケーラブルな自動セキュリティ分析を実現する。
- OpenAntは，コードを自己完結型の単位に分解することで解析対象を最大97%削減し，効率的な分析を可能にする。
- 敵対的検証により，現実的な攻撃者の能力を考慮した上で，脆弱性の利用可能性を評価する。
- 動的検証により，自動生成された環境で脆弱性の有効性を検証し，誤検知を大幅に削減する。
遅延・誤作動AEBイベントの注釈学習：極端なクラス不均衡と非対称なラベルノイズに対する実用的なシステム [cs.RO, cs.LG]目的：遅延・誤作動AEBイベントの注釈精度向上
- 自動緊急ブレーキシステムの最適化には正確なデータが不可欠であり，特に稀な誤作動事例の分析が重要である。
- 遅延・誤作動AEBイベントは全体の5%未満と稀であり，手動注釈には膨大なコストがかかる。
- 極端なクラス不均衡とラベルノイズを克服し，自動注釈システムの構築を目指す。
- 提案システムは，ターゲット属性の操作，車載車両のダイナミクスの移植，および非ターゲットエージェントのマスキングによるデータ拡張を行う。
- 安定した硬度推定とプローブ誘導適応閾値を用いて，誤ラベルの多い真のトリガーサンプルを除去する。
- 実運用において，遅延・誤作動トリガーの再現率が80%向上し，手動作業量が50%削減された。
TxBench-PP：低分子医薬品前臨床薬理学におけるAIエージェントの性能分析 [cs.AI, cs.LG]目的：低分子医薬品前臨床薬理学のAIエージェント性能評価
- 創薬プロセス加速への期待から，AIの活用が重要視されている。
- AIエージェントの評価には，現実的なデータに基づいた信頼性のある基準が不可欠である。
- 実際の実験データから正しい結論を導き出せるAIエージェントの性能評価を目指す。
- TxBench-PPは，創薬段階におけるAIエージェントの性能を検証するベンチマークである。
- 16種類のモデル構成で評価を行った結果，どのシステムも前臨床薬理学的な判断を完全に再現するには至らなかった。
- 最も性能が高かったClaude Opus 4.8 / Piは，評価項目の59.3%をパスした。
転移学習のためのグループスパース行列分解による単語埋め込み [stat.ML, cs.CL, cs.LG]目的：単語埋め込みの転移学習
- 非構造化テキストは様々な分野で意思決定のための重要な情報源である。
- 新しいドメインでの単語埋め込み学習は，データ不足や意味の差異により困難である。
- ドメイン固有の単語の意味変化に対応する効率的な転移学習を実現する。
- 提案手法は，大規模なテキストコーパスとドメイン固有のテキストデータを組み合わせることで，少ないデータでも高い精度を達成する。
- グループスパースペナルティを用いることで，ドメイン固有の単語埋め込みを効率的に転移学習できることを理論的に保証した。
- 本研究は，グループスパース行列分解に関する初の一般化誤差の上界を提供する。
予測を超えた良性過学習：最小二乗法補間子 [math.ST, cs.LG, stat.ME, stat.TH]目的：過パラメータ化統計モデルにおける良性過学習の基礎理解
- 深層学習の進展により，良性過学習が注目を集めており，その理論的基盤の解明が重要である。
- 過パラメータ化された設定における最小二乗法補間子の振る舞いは，リッジ回帰やLassoに比べて未解明な点が多い。
- パラメータ推定と推論に焦点を当て，過パラメータ化線形モデルにおける理論的枠組みを確立することを目指す。
- 過パラメータ化設定下におけるleave-k-out公式，省略変数バイアス公式，Frisch-Waugh-Lovell定理の類似性を確立した。
- Gauss-MarkovモデルにおいてGauss-Markov定理を拡張し，等分散性の下での分散推定を分析した。
- これらの結果は，予測だけでなくパラメータ推定と推論における良性過学習の新たな視点を提供する。
安静時脳波合成のための深層生成モデルと転移可能表現学習 [math.CO, cs.DM, q-bio.NC, cs.AI]目的：安静時脳波の合成と，転移可能な表現の学習
- 脳活動の非侵襲的な解析手法として重要であり，精神疾患や神経疾患の診断・研究に貢献する。
- 良質なデータの不足と，手作業による特徴量エンジニアリングへの依存が課題である。
- 生成モデルによる脳波合成と特徴抽出を通じて，データ効率を向上させることを目指す。
- 提案手法REST-GANは，実測脳波の主要な時間的，周波数的，接続性特性を再現できることが示された。
- 生成されたサンプルは，眼開/閉条件において高い精度と再現率を示し，スペクトルコヒーレンスも実測データと近似した。
- 学習された表現は，独立したデータセットでの人口統計学的分類において，既存手法を上回る性能を発揮した。
走査型トンネル顕微鏡における欠陥分類のためのラベル付きデータ不足の克服 [cond-mat.mtrl-sci, cs.AI]目的：走査型トンネル顕微鏡画像における欠陥分類のための自動化手法
- 原子レベルでの表面観察を可能にする走査型トンネル顕微鏡は，材料科学や表面化学において不可欠な技術である。
- 手動による画像解析は労力がかかる上に，熟練した専門知識が必要となるため，効率的な解析が課題となっている。
- 少ないラベル付きデータと教師なし学習を組み合わせることで，多様な表面への適応性を高めた自動セグメンテーションを目指す。
- 本研究で提案する手法は，Si(001)，Ge(001)，TiO$_2$(110)の３種類の表面において高い精度を示し，原子特徴の認識を可能にした。
- わずか１つの追加ラベル付きデータポイントで未知の表面に適応できる汎化能力の高さが確認された。
- この成果は，材料に依存しない，効率的なSTM画像自動セグメンテーションに大きく貢献すると期待される。
状況に応じた二者間ロールプレイにおける性格特性の評価 [physics.soc-ph, cs.SI, q-bio.MN, q-bio.PE, math.RA, cs.CC, math.LO, eess.AS, cs.AI, cs.SD]目的：状況に応じた性格特性の認識に関する関係性
- 人間とテクノロジーの相互作用において，性格の一致がユーザ満足度に影響する点が重要である。
- 既存研究では性格特性が状況に依存して変化する点が考慮されていなかった。
- 会話音声から性格特性を正確に認識し，状況変化への対応を目指す。
- 性格特性の認識は，状況によって有意に異なり，特にストレス状況下での感情特性の予測に影響する。
- 中立的な状況では音量などの音響特徴が性格特性と関連し，ストレス状況では感情特性との相関が強まる。
- 手作りされた音響特徴や非言語特徴が，話者埋め込みよりも性格特性の推測において優れている。
万能機械学習ポテンシャル場に対する実験測定による評価 [cond-mat.mtrl-sci, cs.LG]目的：万能機械学習ポテンシャル場（UMLFF）の性能評価
- 材料科学の発展に不可欠であり，物質の原子レベルでのシミュレーションを加速する。
- 既存の評価は計算機的なベンチマークに偏り，現実世界の性能を反映しにくい。
- 実験データに基づいた包括的な評価フレームワークを確立し，現実との乖離を明らかにする。
- 最新のUMLFF 6種類を評価した結果，計算機ベンチマークでの高い性能は実験的な複雑さに直面すると必ずしも一致しない「現実のギャップ」が確認された。
- 最良のモデルでも，実用的な応用に必要な密度予測誤差の閾値を超えていることが示された。
- シミュレーションの安定性と機械的特性の精度には乖離が見られ，誤差はモデリング方法よりも学習データ表現に依存することがわかった。
効率的かつスケーラブルなデータ同化のためのフローマッチング [stat.ML, cs.LG, math.OC]目的：データ同化における効率性とスケーラビリティの向上
- 気象や海洋などの複雑なシステムの状態を推定する上で，データ同化は不可欠である。
- 高次元・非線形なシステムでは，従来のデータ同化手法は計算コストが高いという課題がある。
- フローマッチングに基づく新しいデータ同化フレームワークを開発し，計算効率と精度のバランスを改善する。
- 本研究で提案するアンサンブルフローフィルター（EnFF）は，従来のフィルターよりも計算コストが低く，高次元ベンチマークで優れた性能を示した。
- EnFFは，フローマッチングを活用することで，効率的かつスケーラブルなデータ同化を実現する可能性を示唆している。
- EnFFは，ブートストラップ粒子フィルターやアンサンブルカルマンフィルターといった既存の手法を一般化している。
√n 個以上のコミュニティを持つ確率的ブロックモデルにおける相転移 [stat.ML, cs.LG, math.PR, math.ST, stat.TH]目的：確率的ブロックモデルにおけるコミュニティの検出可能性
- グラフ構造の解析は，ソーシャルネットワークや生物学的ネットワークなど，様々な分野で重要である。
- コミュニティ数が増加すると，コミュニティの検出が困難になるという課題がある。
- √n 個以上のコミュニティを持つ場合の検出閾値に関するChinらの提唱を検証する。
- グラフ密度に関わらず，Chinらが提唱する閾値以下では，低次数多項式によるコミュニティ検出は失敗する。
- 提唱された閾値以上であれば，疎な状態だけでなく，やや疎な状態においても，多項式時間でコミュニティ検出が可能である。
- 自己回帰パスの数え上げに加え，より複雑なモチーフを考慮することで，密度の高い領域でも最適な検出が可能となる。
LogSumExpの確率的最適化の改善 [math.OC, cs.LG]目的：LogSumExpに基づく確率的最適化における改善
- LogSumExpは，情報理論や最適化問題において重要な役割を果たす関数である。
- 指数項の数が増加すると，勾配計算が困難になるという課題があった。
- 効率的な確率的勾配法による最適化を可能とするLogSumExpの近似手法を開発する。
- 提案手法は，既存の基盤手法と比較して，分布ロバスト最適化や連続最適輸送において優位性を示す。
- 本近似は，KLダイバージェンスの修正に基づき，Safe KLダイバージェンスという新しいfダイバージェンスを導出する。
- 提案手法は，凸性および滑らかさを維持しながらLogSumExpを近似し，効率的な最適化を実現する。
プラズマにおけるモーメント閉包関係に対する機械学習的アプローチ：レビュー [math.CO, cs.DM, physics.plasm-ph, cs.LG]目的：プラズマ閉包モデルの改善
- 宇宙および実験プラズマ物理学において，大規模グローバルシミュレーションの必要性は高まっている。
- 流体モデルに基づくシミュレーションでは，高次のプラズママーメントに対する閉包関係が必要となる。
- プラズマ流体モデル内で運動論的現象を捉えるための機械学習閉包モデルを開発する。
- 機械学習による閉包モデルは，ニューラルネットワークやスパース回帰などの手法を用いて開発されている。
- これらのモデルは，参照データに対するオフラインテストと，時間発展ソルバー内でのオンラインテストの両方で評価されている。
- 機械学習閉包モデルには，圧力テンソル精度や分布外の一般化，大規模シミュレーションへの安定した統合といった課題が存在する。
非線形行列分解のための乗数法による交互方向法 [eess.SP, cs.LG, math.OC, stat.ML]目的：非線形行列分解
- データ分析において，高次元データの低次元表現は重要な課題である。
- 既存手法では，非線形関数を伴う行列分解の効率的な計算が難しい。
- 交互方向法を用いて，様々な非線形行列分解問題を効率的に解く。
- 提案手法は，整流線形ユニット，二乗，MinMax変換など，多様な非線形モデルに適用可能である。
- 損失関数として，最小二乗法，L1ノルム，カルバック・ライブラーの発散などが利用できる。
- 実世界のデータセットにおける実験により，提案手法の適用性，効率性，適応性が示された。
説明可能なAIを用いた24時間心電図信号による心不全リスク予測モデリング [eess.SP, cs.AI, cs.LG]目的：心不全リスクの予測
- 高齢化社会において心不全は増加傾向にあり，患者のQOL低下や死亡率上昇に繋がる重大な課題である。
- 従来の心不全リスク評価は，問診や検査に依存しており，早期発見が困難な場合がある。
- 24時間心電図データを用いたAIモデルにより，より正確かつ早期の心不全リスク予測を目指す。
- 深層学習モデルDeepHHFは，24時間心電図データから心不全リスクを予測し，AUC 0.80を達成した。
- DeepHHFによる高リスク者特定は，入院・死亡リスクの2倍増加と相関があった。
- DeepHHFは，不整脈や心臓異常に注目しており，その予測根拠に説明性が見られた。
量子ドットハミルトニアンのAIによる調整：マヨラナモードの実現に向けて [cond-mat.mes-hall, cond-mat.dis-nn, cs.AI]目的：量子ドットにおけるマヨラナモード生成のためのハミルトニアンパラメータ最適化手法
- 量子計算の実現に向け，トポロジカル量子ビットの安定性が重要視されている。
- 量子ドットのパラメータ空間探索は広大であり，効率的な調整が困難である。
- AIを活用し，量子ドットの特性を効率的に解析し，マヨラナモードを誘起するパラメータを探索する。
- ニューラルネットワークモデルが，量子ドットシミュレータにおける動作領域を学習し，輸送測定に基づきデバイスを自動調整可能である。
- 訓練されたビジョン・トランスフォーマーネットワークは，ハミルトニアンパラメータとコンダクタンスマップの関係を効率的に記憶し，パラメータ更新を提案できる。
- 初期のパラメータ空間からの単一の更新ステップで，非自明なゼロモードを生成し，反復チューニングによりパラメータ空間の広範な領域に対応できる。
環境適応共変量選択：分布外予測のための偽相関の利用学習 [stat.ME, cs.LG]目的：分布外予測における共変量選択戦略
- 機械学習の応用範囲拡大のため，未知の環境下での予測性能向上が重要である。
- 因果関係に基づいた共変量選択は有効だが，観測データが限られる場合に性能が低下する。
- 環境の変化に対応して最適な共変量セットを動的に選択することで，予測性能の安定化を図る。
- 提案手法は，環境ごとの特徴を捉え，共変量セットを適応的に選択することで，多様な環境変化下で既存手法を上回る性能を示す。
- 環境レベルの概要を共変量セットにマッピングすることで，偽相関の利用と抑制のバランスをとることが可能となる。
- 事前知識や学習済みデータを活用することで，よりロバストな環境適応が可能となる。
メタフローマップによるスケーラブルな報酬アラインメント [stat.ML, cs.LG]目的：生成モデルの報酬アラインメント手法
- 生成モデルの制御は計算コストが高く，その効率化が求められている。
- 報酬関数との最適なアラインメントには価値関数の推定が必要であり，それがボトルネックとなっている。
- 中間状態からクリーンデータのサンプリングを効率化し，価値関数推定のボトルネックを解消する。
- メタフローマップは，一ステップ事後サンプリングを行うことで，価値関数推定を効率化する。
- 推論時のステアリングにおいて，内側ロールアウトなしで高性能を実現した。
- オフポリシーファインチューニングにおいても，汎用的な報酬に対して有効であることが示された。
深層フォトニックニューロモルフィックネットワークにおける全光非教師型ヘブ学習に向けた試み [physics.optics, cond-mat.dis-nn, cs.ET, cs.LG]目的：深層フォトニックニューロモルフィックネットワークにおける全光非教師型ヘブ学習の実現
- ニューロモルフィックコンピューティングは，脳の仕組みを模倣し，低消費電力で高性能な計算を目指す分野である。
- 従来のニューロモルフィックネットワークは，勾配計算や電気的変換が必要であり，規模拡大や効率化が課題となっている。
- 光技術を用いることで，エネルギー効率の良い全光ニューロモルフィックコンピューティングの実現を目指す。
- 相変化材料(PCM)を用いたシナプスと局所的な光フィードバックによる深層フォトニックニューロモルフィックネットワーク(PNN)アーキテクチャを提案した。
- 提案アーキテクチャは，外部からの勾配計算や電気的変換を必要とせず，局所的なヘブ学習により自律的なパターンエンコーディングを可能にする。
- 光ファイバーコンポーネントを用いた実験により，適応的なシナプス進化と，現実的なハードウェア条件下での光学的推論が確認された。
正則化を用いたバンディットの安定化： 精密な後悔と定量的中心極限定理 [stat.ML, cs.LG]目的：バンディットデータを用いた統計的推論における安定性の条件と，正則化アルゴリズムの性能評価
- バンディット問題は，探索と利用のバランスが重要であり，様々な応用分野で利用されている。
- 適応的サンプリングにより独立性の仮定が破られ，従来の漸近理論が適用できないという課題がある。
- 安定性の条件を精緻化し，正則化アルゴリズムの有効性を検証することで，信頼性の高い推論を実現する。
- 本研究では，オンラインアルゴリズムの反復において安定性の条件を改良し，正則化された確率的ミラー降下法アルゴリズムが満たすことを示した。
- 適応的サンプリング下での経験報酬推定に対する非漸近的なベリー・エッセン境界を導出し，アルゴリズムの後悔に関する非漸近的な上限と下限を導出した。
- 正則化アルゴリズムは，指定されたレベルの敵対的破壊下で漸近正規性を維持し，有効な推論を可能にすることが示された。
高次元経験的リスク最小化におけるガウス普遍性の崩壊の特性評価 [math.MG, cs.RO, math.DG, stat.ML, cs.LG]目的：高次元凸型経験的リスク最小化の統計的特性
- 機械学習において，高次元データへの対応は重要な課題である。モデルの汎化性能を理論的に保証する必要がある。
- 従来のガウス仮定に基づく理論では，非ガウスデータに対する精度が十分でない場合がある。
- 非ガウスデータ下における経験的リスク最小化の統計的振る舞いを明らかにし，ガウス普遍性の限界を解明すること。
- データ行列の濃度仮定と損失関数の正則性条件の下で，ERM推定量$\hat{\theta}$の統計量を近似的に特徴づけることができた。
- テスト共変量$x$に対する$\hat{\theta}^\top x$は，$\mu_{\hat{\theta}}^\top x$の分布の畳み込みと，分散$\mathrm{tr}(C_{\hat{\theta}} \mathbb{E}[xx^\top])$を持つ独立なガウス変数の和として近似される。
- $\mathcal{C}^2$正則化項は，ヘッセ行列と勾配によって決定される二次形式と同等であることが示された。
任意のパラメータと初期分布を持つ過渡フォッカー・プランク方程式を解く深層学習フレームワーク [physics.comp-ph, cs.LG]目的：複雑なパラメータ化された確率システム解析における，効率的なフォッカー・プランク方程式の解法
- 確率システムの挙動を理解する上で，フォッカー・プランク方程式の解析は不可欠である。多くの科学技術分野に応用される。
- 従来の数値解法は並列計算能力に乏しく，パラメータ空間の網羅的な探索や過渡現象の解析が困難である。
- 本研究は，様々な初期条件やパラメータ設定において，フォッカー・プランク方程式を高速かつ高精度に解くことを目指す。
- 提案手法であるPAPSは，ガウス混合分布を用いて初期，過渡，定常分布を統合し，制約を保持するオートエンコーダを開発した。
- PAPSは，単一の学習プロセスで任意の多峰性初期分布，システムパラメータ，時間点に対する過渡FPE解を同時に解くことができる。
- 実験の結果，PAPSはGPU加速モンテカルロシミュレーションと比較して，4桁高速に推論が可能であり，実時間パラメータスイープや確率的分岐の系統的調査を可能にする。
カオスを模倣する学習：敵対的最適輸送正則化 [stat.ML, cs.LG]目的：カオスシステムの統計的性質の学習と，物理的に整合性のあるエミュレータの構築
- 気象や電力網など複雑な力学系にカオスが現れるが，機械学習による高精度なモデリングは困難である。
- 既存のエミュレータは，初期条件への感度が高いカオス的ダイナミクスを学習するのが難しい。
- 単一のノイズを含む軌道から，高品質な統計量と物理的に整合性のあるエミュレータを同時に学習することを目指す。
- 敵対的最適輸送目的関数を用いることで，カオスシステムの長期的な統計的忠実度が大幅に向上した。
- シンコーンダイバージェンス（2-Wasserstein）とWGANスタイルの双対定式（1-Wasserstein）の有効性が理論的および実験的に検証された。
- 提案手法は，高次元時空間カオスを含む様々なカオスシステムにおいて有効であることが示された。
物理情報化Kolmogorov-Arnoldネットワークを用いた軸対称パルサー磁気圏の適応的フレームワーク [math.OC, cs.DM, physics.comp-ph, astro-ph.IM, cs.LG]目的：軸対称パルサー磁気圏の数値シミュレーション手法
- パルサー磁気圏は高エネルギー放射源であり，その理解は天体物理学において重要である。
- 従来の磁気圏モデルは計算負荷が高く，高精度な解を得るのが困難であった。
- 物理情報化ニューラルネットワークを用いて，効率的かつ高精度な磁気圏モデルを構築する。
- 本研究では，Kolmogorov-Arnoldネットワークに基づいた新たなフレームワークを提案し，手動調整なしで自己収束的な解を得ることを可能にした。
- 従来のモデルと比較して，2桁の精度向上と計算時間の短縮（20分未満）を実現した。
- 星半径の減少を最大80%まで再現可能となり，スケール不均衡の問題を克服した。また，磁束とT点の位置の関係に関する補正も提示した。
量子アテンションによる高次トークン相互作用 [quant-ph, cs.LG]目的：高次トークン相互作用の効率的な表現と学習
- 自然言語処理において，トークン間の複雑な関係性を捉えることが重要である。
- 従来のself-attentionは，ペアワイズな相互作用しか捉えられず，高次な相互作用の表現に課題がある。
- 量子アテンションを用いることで，浅い層で高次なトークン相互作用を効率的に学習することを目指す。
- 量子高次アテンション(QHA)は，従来のself-attentionよりも高次の相関を表現可能であることが理論的に示された。
- QHAは，パラメータ数を大幅に削減しつつ，隠れ部分集合パリティ問題において優れた汎化性能を示した。
- QHAは，遺伝的エピスタシス，ノイズのある学習パリティ，グラフの三角形検出など，多様なタスクで高い性能を発揮した。
LLMベースのA/Bテストの統計的基礎：人間による因果推論のための代理モデルフレームワーク [stat.ME, cs.AI, econ.EM, math.ST, stat.TH]目的：LLMを用いたA/Bテストにおける処置効果の推定の妥当性
- A/Bテストは，製品やサービスの改善に不可欠であり，迅速な実験とコスト削減が求められている。
- LLMの出力と人間の反応の分布が異なる場合，LLMでのテスト結果を人間に一般化することが困難である。
- LLMの出力を人間の反応に較正することで，より正確な処置効果推定を実現することを目指す。
- LLMの結果を人間に較正することで，分布一致性よりも弱い条件で処置効果を特定できることが示された。
- LLMの確率的性質が代理関係を弱める可能性があるが，複数のLLMの出力を平均化することで軽減できる。
- Upworthyの見出しのA/Bテストへの応用により，較正の重要性が示され，生のLLM予測では人間の処置効果の39%しか再現できないことが明らかになった。
ポイントは無意味か？グラフニューラルネットワークを用いた降水予測におけるマルチモーダル消去研究 [stat.ML, cs.LG]目的：降水予測における，レーダー観測データと各種補完データ源の貢献度評価
- 気象予測の精度向上は，防災や経済活動に不可欠であり，その重要性は高い。
- レーダー観測データは高密度だが，観測点の少ないその他のデータ源の有用性が不明確である。
- 本研究は，様々なデータ源が予測精度に与える影響を定量的に評価し，最適な組み合わせを模索する。
- MEPS数値予報は，レーダーのみの予測の安定性を高める効果がある。
- Netatmo地上観測は，局所的な地点予測や降雨開始予測の精度を向上させる。
- CRPSに基づく損失関数を用いた構成が，レーダーグリッド上での予測精度を最も一貫して向上させる。