AI 研究
MIT 的 η-learning 不靠極端樣本生成百年事件，但它不是災害時間預報器
η-learning 以極值統計約束生成模型，從缺少罕見事件的配對資料合成高解析度極端情境。方法可供基礎設施壓力測試，但不能預測災害何時發生，也仍依賴可信的外部統計。
MIT 團隊提出 Extreme Event Aware（η-）Learning，處理生成模型最難學到的分布尾端：罕見事件不但樣本少，取得或模擬的成本亦高。方法不要求配對訓練集中包含極端案例，而是在訓練時加入一項描述「極端程度」的可觀測量分布；這些統計可來自未標註資料或領域知識，使模型除了貼合常態樣本，也必須在未觀測區域符合指定的尾端機率。論文以最適傳輸分析其性質，並在合成系統及降雨降尺度實驗驗證。
美國降雨案例尤其說明它與一般外插的差別。研究者先從 25 年逐時降雨圖計算每日最大雨量的點統計，卻只用最初六個月、幾乎沒有極端事件的低解析度與高解析度配對圖訓練空間映射。模型再以極值統計約束生成結果，合成指定重現期下可能出現的降雨位置、覆蓋範圍與強度。對需要測試海堤、電網或防洪容量的工程團隊，這比只輸出單一峰值更有用，因為它提供可投入模擬器的完整空間情境。
不過，「不需要極端資料」不等於完全不需要尾端資訊：示範仍使用較長紀錄估計最大值分布，若該統計受氣候漂移、量測偏差或錯誤領域假設影響，生成情境也會被帶偏。η-learning 產生的是符合指定頻率與統計約束的可能樣本，不是預測某場百年暴雨會在何時、何地發生。下一步應觀察跨區域與非平穩氣候驗證、尾端校準誤差，以及程式碼和資料流程能否讓第三方完整重現。