Сто нейросетей спорят о погоде: почему это хорошо ✛ ✎

Оригинал: "Am I Confused or Is This Confusing?: Deep Ensembles for ENSO Uncertainty Quantification"
arXiv:2512.17153 · 2025-12-19 · arXiv non-exclusive · собственный разбор · 1 мин
Когда сто нейросетей предсказывают Эль-Ниньо, их разногласие честно показывает, где прогноз ненадёжен.

Сто нейросетей смотрят на температуру океана и пытаются угадать, придёт ли Эль-Ниньо через два года. Каждая сеть даёт свой ответ, и если ответы сильно расходятся, значит, прогноз ненадёжен. Так работает ансамбль — группа нейросетей, которые учатся независимо друг от друга. В новой работе учёные показали, что разногласие ансамбля — самый честный сигнал о том, что климат изменился и сеть вышла за пределы своих знаний.

Эль-Ниньо — это тёплое течение в Тихом океане, которое меняет погоду по всей Земле: вызывает засухи в одних местах и наводнения в других.

Раньше считалось, что главное — мера случайности самой системы, ведь океан хаотичен. Но когда климат начал меняться, выяснилось, что эта мера может обманывать: сеть становится слишком уверенной в незнакомой ситуации. А разногласие между ста сетями, наоборот, растёт и предупреждает об ошибке. Это как если бы сто синоптиков спорили о завтрашней погоде: если они единодушны, прогнозу можно верить, а если разошлись — лучше взять зонт и от солнца, и от дождя.

Такой подход уже можно использовать в центрах прогноза Эль-Ниньо: следить за разногласием ансамбля и заранее сообщать, когда прогноз ненадёжен. Это особенно важно сейчас, когда климат меняется и старые закономерности перестают работать.

Ансамбль из 100 нейросетей в этой работе в десять раз больше типичных ансамблей для прогноза ЭНСО, и именно такой размер позволил надёжно разделить два вида неопределённости. Интересно, что для коротких прогнозов (до 6 месяцев) алеаторная неопределённость всё же немного растёт при сдвиге, но этот сигнал слабее, чем у эписстемической.

AU(x) = -\frac{1}{M} \sum_{i=1}^{M} \sum_{k=1}^{K} p_{w_i}(y=k|x) \log p_{w_i}(y=k|x)
Средняя по компонентам энтропия предсказанного распределения классов; измеряет внутреннюю случайность данных.
EU(x) = \frac{1}{M} \sum_{k=1}^{K} \sum_{i=1}^{M} (p_{w_i}(y=k|x) - p_{ens}(y=k|x))^2
Суммарная дисперсия предсказаний компонентов относительно среднего; отражает разногласие модели.
EU(x) = \frac{1}{M} \sum_{i=1}^{M} BS(p_i, y) - BS(p_{ens}, y)
Эписстемическая неопределённость равна среднему улучшению скорингового правила Брайера ансамбля над компонентами.
Понятия
ансамблевый прогноз оценка неопределённости весенний барьер предсказуемости энсо вероятностный прогноз модель Джина–Тиммермана ERSST многомерный индекс ЭНСО ансамбль южная осцилляция эвиденциальные нейронные сети индекс Эль-Ниньо распространение экваториальных волн буйковые станции TAO/TRITON вероятностная модель Ниньо 4 североатлантическая осцилляция межгодовая изменчивость NOAA CPC неопределённость измерения