論文の概要: Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting

• arxiv url: http://arxiv.org/abs/2506.20024v1
• Date: Tue, 24 Jun 2025 21:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.541474
• Title: Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting
• Title（参考訳）: 確率的気象予報のための溶鋼拡散モデル
• Authors: Salva Rühling Cachay, Miika Aittala, Karsten Kreis, Noah Brenowitz, Arash Vahdat, Morteza Mardani, Rose Yu,
• Abstract要約: Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 52.6508222408558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models are a powerful tool for probabilistic forecasting, yet most applications in high-dimensional chaotic systems predict future snapshots one-by-one. This common approach struggles to model complex temporal dependencies and fails to explicitly account for the progressive growth of uncertainty inherent to such systems. While rolling diffusion frameworks, which apply increasing noise to forecasts at longer lead times, have been proposed to address this, their integration with state-of-the-art, high-fidelity diffusion techniques remains a significant challenge. We tackle this problem by introducing Elucidated Rolling Diffusion Models (ERDM), the first framework to successfully unify a rolling forecast structure with the principled, performant design of Elucidated Diffusion Models (EDM). To do this, we adapt the core EDM components-its noise schedule, network preconditioning, and Heun sampler-to the rolling forecast setting. The success of this integration is driven by three key contributions: (i) a novel loss weighting scheme that focuses model capacity on the mid-range forecast horizons where determinism gives way to stochasticity; (ii) an efficient initialization strategy using a pre-trained EDM for the initial window; and (iii) a bespoke hybrid sequence architecture for robust spatiotemporal feature extraction under progressive denoising. On 2D Navier-Stokes simulations and ERA5 global weather forecasting at 1.5^\circ resolution, ERDM consistently outperforms key diffusion-based baselines, including conditional autoregressive EDM. ERDM offers a flexible and powerful general framework for tackling diffusion-based sequence generation problems where modeling escalating uncertainty is paramount. Code is available at: https://github.com/salvaRC/erdm
• Abstract（参考訳）: 拡散モデルは確率的予測のための強力なツールであるが、高次元カオスシステムにおけるほとんどの応用は、将来のスナップショットを1対1で予測する。 この一般的なアプローチは複雑な時間的依存をモデル化するのに苦労し、そのようなシステムに固有の不確実性の進行的成長を明示的に説明できない。 長いリードタイムで予測にノイズを増すローリング拡散フレームワークは、この問題に対処するために提案されているが、最先端の高忠実拡散技術との統合は依然として大きな課題である。 この問題を解決するために、Eucidated Diffusion Models (ERDM) を導入し、Eucidated Diffusion Models (EDM) の原理的かつ実演的な設計でローリング予測構造を統一する最初のフレームワークを提案する。 これを実現するために、コアEDMコンポーネント(ノイズスケジュール、ネットワークプリコンディショニング、およびHun sampler)をローリング予測設定に適用する。 この統合の成功は、3つの重要な貢献によって引き起こされる。 一 決定論が確率性に道を譲る中距離予測地平線にモデル容量を集中させる新たな損失重み付け方式 (二)事前学習EDMによる窓の効率的な初期化戦略、及び 3) 進行性認知下での頑健な時空間特徴抽出のためのベスポークハイブリッドシーケンスアーキテクチャ。 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5^\circ解像度では、ERDMは条件付き自己回帰EDMを含むキー拡散ベースラインを一貫して上回っている。 ERDMは、不確実性をエスカレートするモデリングが最重要である拡散に基づくシーケンス生成問題に対処するための、柔軟で強力な汎用フレームワークを提供する。 コードは、https://github.com/salvaRC/erdmで入手できる。

関連論文リスト

• DEF: Diffusion-augmented Ensemble Forecasting [5.433548785820674]
  我々は、初期条件摂動を生成する新しいアプローチであるDEF(textbfulEnsemble textbfulForecasting)を提案する。 簡単な条件拡散モデルが有意な構造的摂動を生成できることを実証する。 このモデルでは,有意な予測分布を生成しながら,長期予測よりも誤りの蓄積が少ないことを示す。
  論文  参考訳（メタデータ） (2025-06-08T23:43:41Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [55.42071552739813]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 微分方程式(SDE)に基づく理論基礎の確立 信号対雑音比(SNR)と復調時間ステップとの閉形式解析関係を導出する。 受信した信号とDMのトレーニングデータとの分布ミスマッチに対処するため、数学的に原理化されたスケーリング機構を導入する。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Diffusion-Based Forecasting for Uncertainty-Aware Model Predictive Control [22.60091645818101]
  部分的に観測可能なシステムにおける不確実性を考慮した予測と意思決定のための一般的なフレームワークである拡散インフォームドモデル予測制御(DI MPC)を提案する。 本手法では,拡散に基づく時系列予測モデルを用いて,システムのコンポーネントの進化を確率論的に推定する。 本稿は,ニューヨーク州の日々の電力市場において,バッテリ・エナジー・ストレージ・システム(バッテリー・エナジー・ストレージ・システム)が参加するエネルギー仲裁の課題に関する枠組みを評価するものである。
  論文  参考訳（メタデータ） (2025-03-19T10:48:26Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Stochastic Control for Fine-tuning Diffusion Models: Optimality, Regularity, and Convergence [11.400431211239958]
  拡散モデルは生成モデリングの強力なツールとして登場してきた。 微調整拡散モデルのための制御フレームワークを提案する。 PI-FTは線形速度で大域収束することを示す。
  論文  参考訳（メタデータ） (2024-12-24T04:55:46Z)
• Auto-Regressive Moving Diffusion Models for Time Series Forecasting [2.3814052021083354]
  時系列予測(TSF)は,様々な領域において不可欠であり,近年の拡散型TSFモデルの進歩は大きな可能性を示唆している。 本稿では,連続的な拡散に基づくTSFを実現するために,新しい自己回帰移動拡散(ARMD)モデルを提案する。 本稿では,未来系列を初期状態として,歴史系列を最終状態として,拡散過程を再解釈する。
  論文  参考訳（メタデータ） (2024-12-12T14:51:48Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• Generalized Mixture Model for Extreme Events Forecasting in Time Series Data [10.542258423966492]
  時系列予測(TSF)は、天気予報、交通制御、株価予測など幅広い分野で広く研究されているトピックである。 時系列における極端な値は、しばしば人間と自然のシステムに大きな影響を及ぼすが、それらの稀な発生のために予測することは困難である。 本稿では,極端事象に着目した新たなフレームワークを提案する。具体的には,時系列予測のためのDeep Extreme Mixture Model with Autoencoder (DEMMA)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T12:36:42Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。