ARENAは、可変数の活動域切り出しから24時間以内のM級・X級フレア（M+）発生を予測し、予測に寄与する活動域を注意重みとして示します。時間的に保持した2017–2024年のテストセットでの中央値HSSは0.45でした。ARENAは注意（attention）に基づくニューラルネットワークで、観測ごとに異なる数の活動域（AR）切り出し画像からフレアを予測します。さらに、どの活動域が予測に最も寄与するかを学習し、発生領域の手がかりを与えます。注意とは、各入力領域に重みを割り当てる仕組みです（F1、F4）。

手法の概要：ARENAは複数インスタンス学習（MIL）として定式化されます。各観測時刻は複数のAR切り出し（インスタンス）を含む「バッグ」と見なされます。学習は弱い教師ありで行い、訓練時に使うラベルは観測全体のフレア有無のみで、どのARがフレアを起こしたかの注釈は不要です（F2）。

入力とモデル構成：入力はAIAとHMIのチャネルを組み合わせた多チャネルAR切り出し（AARP）です。具体的にはAIA 131、171、304 ÅとHMI磁場チャネルを含み、パッチは224×224ピクセルにリサイズされます。1つの時刻は1～24個、平均約7個のAARPで表されます（F5）。各AR切り出しはResNet-18で埋め込み（embedding）に変換されます。得られた埋め込みはゲーテッド注意（ABMIL）で正規化された重みα_iにより重み付け和 z = Σ_i α_i h_i に集約されます。注意重みは推論時に発生源の局在化シグナルとして用いられます（F3、F4）。

ラベルとデータ：バッグは、その時刻から24時間以内に少なくとも1件のM級またはX級フレア（M+）が起きれば陽性とされます。目的は次の24時間以内にM+フレアが起きるかをAR集合のみから予測することです（F6）。訓練には2010–2016年、検証と最終評価のために2017–2024年を独立テストセットとして用いています。観測は2時間間隔でサンプリングされました（F7）。

最適化と実装の詳細：モデルはAdamWでクロスエントロピー損失を最適化します。M+事象が稀なため、学習時に負例のアンダーサンプリングを行いクラスをバランスさせました。最終的な学習率はη = 1e-7、weight decay = 0.001、バッチサイズは32です（F8）。ResNet-18（7チャネル構成）のパラメータ数は約1,120万で、埋め込み次元はM = 512。注意次元L = 128によりゲーテッド注意のパラメータ数は131,200、分類ヘッドは512→256（ReLU）→1で131,328パラメータを含みます（F9）。

具体的な結果：時間的に保持した2017–2024年のテストセットで、ARENAは中央値のHeidke Skill Score（HSS）で0.45を示しました（F11）。

発生領域同定：訓練時に発生源ARの注釈を与えなくとも、注意重みに基づく局在化は良好でした。注釈が利用可能な2017年の評価サブセット（単一ARのみを除外）では、ARENAは最も高い注意重みを与えたARが正解である割合（Acc@1）で87.1 ± 0.7%を達成しました。Acc@2は単一ARを除外した場合に100.0 ± 0.0%でした（F12）。

比較と特徴：同一の2017サブセットでの比較（五分割検証の中央値）では、ARENA（バッグレベル）はTSS=0.79、HSS=0.33、F1=0.37、Precision=0.23、TPR=0.92、TNR=0.88を示しました。一方、AR単位のインスタンス分類器はTSS=0.85、HSS=0.17、F1=0.19、Precision=0.10、TPR=0.96、TNR=0.90でした（F13）。また、他のベースラインとの比較では、低解像度全円盤ResNet-18と概ね近い性能で、提示されたP-CNNやSurya微調整モデルの報告値には届きませんでしたが、ARENAは比較対象の中で最も高い真陽性率（TPR）を示しました（F14）。