基于极值理论的梯度推进法在野火预测中的应用
Gradient boosting with extreme-value theory for wildfire prediction
摘要：
本文详细介绍了$\textit{Kohrrelation}$团队在2021年极值分析数据挑战中的方法，该挑战涉及美国本土野火数量和规模的预测。我们的方法在机器学习背景下使用极值理论的思想，并在理论上证明了梯度提升的损失函数。我们设计了一个空间交叉验证方案，并表明在我们的设置中，它提供了一个更好的代理测试集的性能比天真的交叉验证。这些预测以具有不同损失函数的增强方法为基准，并在评分标准方面表现出竞争力，最终在竞争排名中排名第二。
英文摘要：
This paper details the approach of the team $\textit{Kohrrelation}$ in the 2021 Extreme Value Analysis data challenge, dealing with the prediction of wildfire counts and sizes over the contiguous US. Our approach uses ideas from extreme-value theory in a machine learning context with theoretically justified loss functions for gradient boosting. We devise a spatial cross-validation scheme and show that in our setting it provides a better proxy for test set performance than naive cross-validation. The predictions are benchmarked against boosting approaches with different loss functions, and perform competitively in terms of the score criterion, finally placing second in the competition ranking.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
