麻省理工在无极端事件数据下生成可信的极端事件

基础设施规划者、政策制定者和保险公司需要知道百年一遇的风暴、热浪、野火或洪水可能是什么样子的。对于这个问题，历史记录是一个差的训练集：极端事件是罕见的，一个地区见过的最糟的事件可能仍比它接下来必须承受的更温和。

麻省理工的工程师Kai Chang和Themis Sapsis建造了“极端事件感知”（即η学习），在没有极端事件示例的情况下生成可信的前所未有的情景。该算法学习点统计（例如降雨达到某个水平的频率）和空间图谱（例如事件蔓延到哪里）之间的关系。统计排除了不可能的数量级，而图谱则提供了真实的地理分布。

使用美国大陆25年的逐时降水图，团队展示了该方法如何生成一次百年一遇风暴的数千个实现，包括比训练数据中的任何事件更强烈的过程。规划者可以询问在纽约市一场300毫米的风暴可能会是什么样子，并获得其可能大小、覆盖范围和强度的图谱。

该方法还可以可视化可信的洪水和野火，并可能应用于机器人导航和金融市场崩溃。该工作发表在《自然·通讯》上；它是一种规划和模拟方法，并非某个特定未来事件会发生的证据。

用点统计约束空间生成

仅基于过去极端事件训练的模型不能直接向规划者展示比历史记录更严重的事件。

点统计提供了罕见事件的频率和大小约束，不需要在训练示例中有匹配的极端图谱。

空间图谱保持了生成的风暴或野火的可信的地理关系，而不仅仅是很大。

数千个实现让规划者可以探索一系列可信的情景，而不是押注于某一预测。

如果你必须规划的事件在历史上未曾出现，那就将其频率与空间形态分开，并在生成场景时同时满足两个约束，而不是等待更多的历史数据。

该方法使社区能够对尚未观测到的可信事件进行压力测试，如水坝、电网、消防资源和供应链。文章将其作为研究工具，可以扩展到洪水、野火、机器人和市场；并未报告已部署的规划系统或实测的损失减少。