論文の概要: Prompt Federated Learning for Weather Forecasting: Toward Foundation
Models on Meteorological Data
- arxiv url: http://arxiv.org/abs/2301.09152v1
- Date: Sun, 22 Jan 2023 16:47:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 14:46:27.020023
- Title: Prompt Federated Learning for Weather Forecasting: Toward Foundation
Models on Meteorological Data
- Title(参考訳): 気象予報のためのプロンプトフェデレーション学習:気象データに基づく基礎モデルに向けて
- Authors: Shengchao Chen, Guodong Long, Tao Shen, Jing Jiang
- Abstract要約: 地球規模の気候問題に対処するためには、大規模な気象データに基づいて総合的な気象予報を行うための共同プラットフォームを開発する必要がある。
本稿では,複雑な気象データを理解し,天気予報を行う領域にまたがる基礎モデルを構築した。
低リソースセンサの通信と計算の制約を満たすために,新しいプロンプト学習機構が採用された。
- 参考スコア(独自算出の注目度): 37.549578998407675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To tackle the global climate challenge, it urgently needs to develop a
collaborative platform for comprehensive weather forecasting on large-scale
meteorological data. Despite urgency, heterogeneous meteorological sensors
across countries and regions, inevitably causing multivariate heterogeneity and
data exposure, become the main barrier. This paper develops a foundation model
across regions capable of understanding complex meteorological data and
providing weather forecasting. To relieve the data exposure concern across
regions, a novel federated learning approach has been proposed to
collaboratively learn a brand-new spatio-temporal Transformer-based foundation
model across participants with heterogeneous meteorological data. Moreover, a
novel prompt learning mechanism has been adopted to satisfy low-resourced
sensors' communication and computational constraints. The effectiveness of the
proposed method has been demonstrated on classical weather forecasting tasks
using three meteorological datasets with multivariate time series.
- Abstract(参考訳): 地球規模の気象課題に取り組むためには,大規模気象データに基づく総合的な気象予報のための共同プラットフォームの開発を緊急に行う必要がある。
緊急性にもかかわらず、多変量の不均一性とデータ露出を必然的に引き起こす異質な気象センサが、主要な障壁となる。
本稿では,複雑な気象データの理解と天気予報の提供が可能な地域間基盤モデルを開発する。
地域間でのデータ露出の懸念を和らげるため、新しいフェデレーション学習手法が提案され、異種気象データを持つ参加者間で、新しい時空間トランスフォーマーベース基盤モデルを共同で学習する。
さらに、低リソースセンサの通信と計算制約を満たすために、新しいプロンプト学習機構が採用されている。
提案手法の有効性は,多変量時系列を持つ3つの気象データセットを用いて,古典的な天気予報タスクにおいて実証されている。
関連論文リスト
- Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳(メタデータ) (2022-11-15T14:15:04Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - Deep generative model super-resolves spatially correlated multiregional
climate data [5.678539713361703]
逆ネットワークに基づく機械学習により、ダウンスケーリングにおける地域間空間相関を正確に再構築できることを示す。
本手法は,気候変動の影響を地域間一貫した評価に有効である。
論文 参考訳(メタデータ) (2022-09-26T05:45:16Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks [2.937141232326068]
我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。
GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。
当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
論文 参考訳(メタデータ) (2021-04-29T02:10:08Z) - Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
論文 参考訳(メタデータ) (2021-03-17T16:10:06Z) - RainBench: Towards Global Precipitation Forecasting from Satellite
Imagery [6.462260770989231]
極端に降水するイベントは、発展途上国の経済と生活を定期的に破壊する。
データ駆動型ディープラーニングアプローチは、正確な複数日予測へのアクセスを広げる可能性がある。
現在、世界的な降雨予測の研究に特化したベンチマークデータセットは存在しない。
論文 参考訳(メタデータ) (2020-12-17T15:35:24Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。