Fugu-MT 論文翻訳(概要): Adversarial Observations in Weather Forecasting

論文の概要: Adversarial Observations in Weather Forecasting

arxiv url: http://arxiv.org/abs/2504.15942v1
Date: Tue, 22 Apr 2025 14:38:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 17:55:55.588804
Title: Adversarial Observations in Weather Forecasting
Title（参考訳）: 気象予報における逆観測
Authors: Erik Imgrund, Thorsten Eisenhofer, Konrad Rieck,
Abstract要約: 我々は,GoogleのGenCastで使用されているような,自己回帰拡散モデルに対する新たな攻撃を示す。この攻撃は、自然騒音と統計的に区別できない気象観測に微妙な摂動をもたらす。以上の結果から,大規模破壊を招き,気象予報に対する一般の信頼を損なうおそれのある,重大なセキュリティリスクが浮き彫りになった。
参考スコア（独自算出の注目度）: 11.130455392128072
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AI-based systems, such as Google's GenCast, have recently redefined the state of the art in weather forecasting, offering more accurate and timely predictions of both everyday weather and extreme events. While these systems are on the verge of replacing traditional meteorological methods, they also introduce new vulnerabilities into the forecasting process. In this paper, we investigate this threat and present a novel attack on autoregressive diffusion models, such as those used in GenCast, capable of manipulating weather forecasts and fabricating extreme events, including hurricanes, heat waves, and intense rainfall. The attack introduces subtle perturbations into weather observations that are statistically indistinguishable from natural noise and change less than 0.1% of the measurements - comparable to tampering with data from a single meteorological satellite. As modern forecasting integrates data from nearly a hundred satellites and many other sources operated by different countries, our findings highlight a critical security risk with the potential to cause large-scale disruptions and undermine public trust in weather prediction.
Abstract（参考訳）: GoogleのGenCastのようなAIベースのシステムは、最近、天気予報の最先端を再定義し、日々の天気と極端な出来事のより正確でタイムリーな予測を提供する。これらのシステムは、従来の気象学的手法を置き換えようとしているが、予測プロセスに新たな脆弱性も導入している。本稿では, 気象予報の操作やハリケーン, 熱波, 豪雨などの極端なイベントの製作が可能なGenCastなどの自己回帰拡散モデルに対する新たな攻撃について検討する。この攻撃は気象観測に微妙な摂動をもたらし、これは自然の騒音と統計的に区別できず、測定値の0.1%未満を変化させる。現代の予測では、100近い衛星や、さまざまな国が運営している多くの情報源のデータが統合されているため、我々の発見は、大規模な混乱を引き起こし、天気予報に対する一般の信頼を損なう可能性があるという重大なセキュリティ上のリスクを浮き彫りにしている。

関連論文リスト

Improving Predictions of Convective Storm Wind Gusts through Statistical Post-Processing of Neural Weather Models [0.07710102716793873]
ニューラル気象モデル(NWM)の最近の進歩は、0.25degのグローバルグリッド上での大気環境の予測に、計算的に安価で高速なアプローチを提供する。雷雨の場合、これらの環境は特定の場所で風速分布を予測するために経験的に後処理することができる。そこでPangu-Weather NWMでは,時間ごとの風速を最大3日前に予測するために,統計的および深層学習後処理手法の階層化を適用した。
論文参考訳（メタデータ） (2025-03-31T18:25:35Z)
FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文参考訳（メタデータ） (2023-12-18T09:05:28Z)
Skilful Precipitation Nowcasting Using NowcastNet [0.0]
降水今流しは、農業、輸送、公衆衛生、安全等に影響を及ぼすような事態に備えるのに役立ちます。我々は最近提案した,物理条件の深い生成ネットワークである NowcastNet を用いて,衛星画像を用いたヨーロッパ各地の降水量の予測を行った。
論文参考訳（メタデータ） (2023-11-29T11:24:52Z)
SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文参考訳（メタデータ） (2023-06-24T22:00:06Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
Short-term precipitation prediction using deep learning [5.1589108738893215]
気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
論文参考訳（メタデータ） (2021-10-05T06:37:24Z)
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)
A review of radar-based nowcasting of precipitation and applicable machine learning techniques [3.0581668008670673]
ノウキャスト(英:nowcast)とは、天気予報の一種で、概して2時間以内の短時間で天気予報を行う。この種の気象予報は、商業航空、公共や屋外のイベント、建設産業に重要な応用がある。環境科学と機械学習コミュニティの新たなパートナーシップによって、新たな進歩が可能になる。
論文参考訳（メタデータ） (2020-05-11T10:34:04Z)

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。