MIT、極端事象のデータなしで妥当な極端事象を生成

インフラ計画者、政策立案者、保険会社は、100年に一度の暴風雨、熱波、山火事、洪水がどのようなものになり得るかを知る必要がある。歴史的記録はこの問いに対する訓練データとしては不十分である。極端事象は稀であり、ある地域が経験した最悪の事象であっても、次に耐えなければならない事象より穏やかな場合がある。

MITの技術者Kai ChangとThemis Sapsisは、そうした極端事象の例なしに、起こり得る前例のないシナリオを生成するためにExtreme Event Aware（η学習）を構築した。このアルゴリズムは、降雨量がある水準に達する頻度といった点統計と、事象がどこに広がるかといった空間マップとの関係を学習する。統計が非現実的な規模を排除し、マップが現実的な地理を提供する。

チームは、米国本土上の25年分の毎時の降水マップを用いて、この手法が100年に一度の暴風雨の数千通りの実現例を生成できることを示した。そこには訓練データ中のどの事象よりも激しい事象も含まれていた。計画者は、ニューヨーク市で300ミリメートルの暴風雨がどのようになり得るかを問い合わせ、その起こり得る規模、範囲、強度のマップを受け取ることができる。

この手法は、起こり得る洪水や山火事も可視化でき、ロボットナビゲーションや金融市場の暴落にも応用できる可能性がある。この研究はNature Communicationsに掲載された。これは計画・シミュレーションの手法であり、特定の将来の事象が発生することを示す証拠ではない。

点統計で空間生成を制約する

過去の極端事象のみで訓練されたモデルは、歴史的記録よりも深刻な事象を計画者に直接示すことはできない。

点統計は、訓練例の中に一致する極端事象のマップを必要とせずに、稀な事象の頻度と規模の制約を提供する。

空間マップは、生成された暴風雨や山火事を単に大規模なだけでなく妥当なものにする地理的関係を保持する。

数千通りの実現例により、計画者は一つの予測に賭けるのではなく、信頼できるシナリオの分布を探ることができる。

計画しなければならない事象が歴史に存在しない場合、その頻度を空間的形状から切り離し、両方の制約を満たすシナリオを生成すべきであり、さらなる歴史を待つべきではない。

この手法は、地域社会が防潮堤、電力網、消防資源、サプライチェーンを、まだ観測されていない起こり得る事象に対してストレステストする方法を提供する。記事はこれを、洪水、山火事、ロボティクス、市場に拡張できる研究ツールとして提示しており、展開済みの計画システムや損失の測定された削減を報告するものではない。