論文の概要: Latent diffusion models for generative precipitation nowcasting with accurate uncertainty quantification

• arxiv url: http://arxiv.org/abs/2304.12891v1
• Date: Tue, 25 Apr 2023 15:03:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 20:04:56.798795
• Title: Latent diffusion models for generative precipitation nowcasting with accurate uncertainty quantification
• Title（参考訳）: 正確な不確実性定量化を伴う生成降水流の潜時拡散モデル
• Authors: Jussi Leinonen, Ulrich Hamann, Daniele Nerini, Urs Germann, Gabriele Franch
• Abstract要約: 本稿では,降水量予測のための潜水拡散モデル (LDM) を提案する。 GANをベースとしたDGMR(Deep Generative Models of Rainfall)と統計モデルPySTEPSを比較検討した。 LDMの最も明確な利点は、DGMRやPySTEPSよりも多様な予測を生成することである。
• 参考スコア（独自算出の注目度）: 1.7718093866806544
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diffusion models have been widely adopted in image generation, producing higher-quality and more diverse samples than generative adversarial networks (GANs). We introduce a latent diffusion model (LDM) for precipitation nowcasting - short-term forecasting based on the latest observational data. The LDM is more stable and requires less computation to train than GANs, albeit with more computationally expensive generation. We benchmark it against the GAN-based Deep Generative Models of Rainfall (DGMR) and a statistical model, PySTEPS. The LDM produces more accurate precipitation predictions, while the comparisons are more mixed when predicting whether the precipitation exceeds predefined thresholds. The clearest advantage of the LDM is that it generates more diverse predictions than DGMR or PySTEPS. Rank distribution tests indicate that the distribution of samples from the LDM accurately reflects the uncertainty of the predictions. Thus, LDMs are promising for any applications where uncertainty quantification is important, such as weather and climate.
• Abstract（参考訳）: 拡散モデルは画像生成に広く採用されており、gans(generative adversarial network)よりも高品質で多様なサンプルを生成する。 本研究では,最新の観測データに基づく降水予測のための潜時拡散モデル (ldm) を提案する。 LDMはより安定しており、GANよりも訓練に少ない計算を必要とする。 GANをベースとしたDGMR(Deep Generative Models of Rainfall)と統計モデルPySTEPSを比較検討した。 ldmはより正確な降水予測を生成するが、降水が事前定義された閾値を超えるかどうかを予測する場合の比較はより混合される。 LDMの最も明確な利点は、DGMRやPySTEPSよりも多様な予測を生成することである。 ランク分布試験は, LDMからの試料の分布が予測の不確かさを正確に反映していることを示す。 したがって、LCMは気象や気候など不確実性定量化が重要であるあらゆる応用に期待できる。

関連論文リスト

• Series-to-Series Diffusion Bridge Model [8.590453584544386]
  既存の拡散法を包含する包括的フレームワークを提案する。 拡散に基づく新しい時系列予測モデルであるシリーズ・ツー・シリーズ拡散ブリッジモデル(mathrmS2DBM$)を提案する。 実験の結果,$mathrmS2DBM$はポイントツーポイント予測において優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2024-11-07T07:37:34Z)
• Masked Diffusion Models are Secretly Time-Agnostic Masked Models and Exploit Inaccurate Categorical Sampling [47.82616476928464]
  仮面拡散モデル (MDM) は離散データの生成モデルとして人気がある。 我々はMDMのトレーニングとサンプリングの両方が理論的に時間変数から解放されていることを示す。 一般に使用されている32ビット浮動小数点精度においても,まず基礎となる数値問題を同定した。
  論文  参考訳（メタデータ） (2024-09-04T17:48:19Z)
• SRNDiff: Short-term Rainfall Nowcasting with Condition Diffusion Model [5.21064926344773]
  降水予測タスクに拡散モデルを導入する。 本研究では,過去の観測データに基づく条件拡散モデルを用いた短期降水量予測手法を提案する。 余分な条件デコーダモジュールをデノナイジングプロセスに組み込むことで、SRNDiffはエンドツーエンドの条件付き降雨予測を実現する。
  論文  参考訳（メタデータ） (2024-02-21T12:06:06Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
  マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。 2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。 実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2023-11-25T03:55:06Z)
• Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
  Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。 暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。 提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-21T18:49:22Z)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• Preconditioned Score-based Generative Models [49.88840603798831]
  直感的な加速度法はサンプリングの繰り返しを減らし、しかしながら重大な性能劣化を引き起こす。 本稿では,行列プレコンディショニングを利用したモデル非依存型bfem事前条件拡散サンプリング(PDS)手法を提案する。 PDSは、バニラSGMのサンプリングプロセスを限界余剰計算コストで変更し、モデルの再訓練を行わない。
  論文  参考訳（メタデータ） (2023-02-13T16:30:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Mixture Density Conditional Generative Adversarial Network Models (MD-CGAN) [1.0312968200748118]
  時系列予測に着目した混合密度生成逆数モデル(MD-CGAN)を提案する。 出力分布としてガウス混合モデルを用いることで、MD-CGANは非ガウス的な後続予測を提供する。
  論文  参考訳（メタデータ） (2020-04-08T03:55:30Z)

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。