Вообразить невидимую крайность: статистическая ставка MIT и её математическая цена

Прогноз погодных явлений, у которых нет исторических прецедентов, — одна из самых трудных задач для моделей, обучаемых на данных: их неопределённость взрывается именно там, где прошлых примеров нет. Чтобы обойти этот предел, работа, опубликованная 20 августа 2026 года в Nature Communications под названием «Extreme Event Aware (η-) Learning» (статья s41467-026-76811-x), предлагает связать обучение статистикой наблюдаемой величины, указывающей на степень экстремальности. Авторы — аспирант Кай Чан и профессор Темис Сапсис из MIT Center for Computational Science and Engineering — ввели это ограничение как 1-вассерштейновский член в функцию потерь. Как объяснил Кай Чан изданию MIT News, цель в том, чтобы «моделировать экстремальные и беспрецедентные события, которых никто никогда не видел и которых нет в наборе данных».

Метод проверили на задаче даунскейлинга осадков по набору данных ERA5-Land: часовые суммы осадков над континентальными Соединёнными Штатами с 1999 по 2023 год, сведённые в суточные карты. Пространственную часть модели обучали исключительно на первых шести месяцах ряда — на отрезке, где, по данным MIT, почти не было примеров экстремальных дождей. Оценка проводилась на 9044 парах карт высокого и низкого разрешения. Подход задуман, чтобы помочь проектировщикам оценивать в цифрах наихудшие сценарии без исторических прецедентов — вроде упомянутой Сапсисом «Катрины, которая случается раз в сто лет». Пресс-релиз MIT формулирует задачу вопросом: если самый сильный дождь, когда-либо зафиксированный в Нью-Йорке, — 200 миллиметров, то какой шторм дал бы 300? Это постановка вопроса, а не результат, полученный моделью.

Способность выходить за пределы исторических данных имеет, впрочем, цену — точность в каждой точке поля. По цифрам препринта на arXiv (сравнить их с окончательной версией в Nature Communications не удалось: она за платным доступом), введение статистического ограничения снижает поточечную точность по сравнению с обычным обучением только на среднеквадратичной ошибке (MSE). По всему полю среднеквадратичная ошибка (RMSE) растёт с 2,878 до 3,112 (+8,13%), а индекс структурного сходства (SSIM) падает с 0,947 до 0,944. На хвостовых подмножествах — квантили ≥0,95, ≥0,975 и ≥0,99 — прирост RMSE составляет от 9,21% до 10,30%, тогда как потеря SSIM остаётся ниже 0,48%. На основных подмножествах RMSE увеличивается на 6,20-6,92%: точность ухудшается повсюду, но сильнее всего именно там, где метод и должен приносить пользу. Среди ограничений, признанных самими авторами, — невозможность однозначно определить пространственное положение экстремальных событий по скалярной наблюдаемой, критическая зависимость от корректного задания опорного распределения и отсутствие идентификации физических механизмов, порождающих эти события.

Работа, профинансированная стипендией Vannevar Bush Faculty Fellowship и Управлением научных исследований ВВС США, теоретически открывает применения также в навигации роботов и на финансовых рынках. Метод продемонстрирован на одной переменной — осадках — и одной территории, континентальных США, причём на данных реанализа, а не на прямых наблюдениях; сам MIT пишет, что перенос на другие опасности требует статистик и карт, специфичных именно для этой опасности. Независимой проверки за пределами авторской группы нет, как нет и оперативного применения службами гражданской защиты или метеоагентствами.

Компромисс заявлен открыто: несколько процентных пунктов точности, отданных повсюду, в обмен на сценарии, которых нет в исторических данных. Стоит ли оно того, зависит от того, насколько выбранное заранее опорное распределение похоже на реальность, — ровно тот пункт, который сами авторы называют критическим.

— Olya