Knowledge Distillation for Deep Learning-Based Hydrological Prediction and Forecasting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study introduces knowledge distillation (KD) as a method for improving deep learning (DL)-based hydrological prediction. The performance of DL models, including long short-term memory networks (LSTMs), is highly dependent on model structure and training data quality, posing challenges for transfer learning. In the KD framework, a ”better” teacher model, based on an ensemble of models or trained with higher-quality input data, is employed to improve the training of a weaker ”student” model with simpler structure or lower quality inputs. This enables improved performance in situations where computational complexity or input data quality are limiting. We demonstrate the effectiveness of KD in two experiments conducted across 421 catchments throughout the contiguous United States. In the first experiment, KD is applied for model compression, distilling the knowledge of an ensemble of five LSTM models (teacher) into a single model (student) that outperforms single-model LSTMs trained without KD. In the second experiment, KD is applied to improve hydrologic prediction when using lower-quality reanalysis precipitation data instead of higher-quality, gauged based observations. This experiment is relevant to forecasting applications, where lower quality (e.g., lower resolution and model-based) precipitation forecasts are used to force a DL hydrologic model trained with high-resolution, observed precipitation. Results demonstrate that KD leads to substantial performance improvements, especially for catchments not used in training (> 25% improvement in median Nash-Sutcliffe efficiency). These findings underscore the value of KD in optimizing DL models for hydrological prediction, offering a model agnostic, and scalable approach that facilitates efficiency and model transferability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle