Fugu-MT 論文翻訳(概要): Arnoldi Singular Vector perturbations for machine learning weather prediction

論文の概要: Arnoldi Singular Vector perturbations for machine learning weather prediction

arxiv url: http://arxiv.org/abs/2506.22450v1
Date: Fri, 13 Jun 2025 08:52:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-07 02:47:44.35104
Title: Arnoldi Singular Vector perturbations for machine learning weather prediction
Title（参考訳）: Arti Singular Vector 摂動による機械学習天気予報
Authors: Jens Winkler, Michael Denhard,
Abstract要約: 本稿では,Huaweiの24時間パング気象モデルを用いて,機械学習天気予報(MLWP)の感度について検討する。 A-SVは、24時間パング気象モデルにおいて、動的に有意な摂動パターンを見出す。これらの摂動は局所的な不安定なモードを記述しており、MLWPアンサンブルの基礎となる可能性がある。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Since weather forecasts are fundamentally uncertain, reliable decision making requires information on the likelihoods of future weather scenarios. We explore the sensitivity of machine learning weather prediction (MLWP) using the 24h Pangu Weather ML model of Huawei to errors in the initial conditions with a specific kind of Singular Vector (SV) perturbations. Our Arnoldi-SV (A-SV) method does not need linear nor adjoint model versions and is applicable to numerical weather prediction (NWP) as well as MLWP. It observes error growth within a given optimization time window by iteratively applying a forecast model to perturbed model states. This creates a Krylov subspace, implicitly based on a matrix operator, which approximates the local error growth. Each iteration adds new dimensions to the Krylov space and its leading right SVs are expected to turn into directions of growing errors. We show that A-SV indeed finds dynamically meaningful perturbation patterns for the 24h Pangu Weather model, which grow right from the beginning of the forecast rollout. These perturbations describe local unstable modes and could be a basis to initialize MLWP ensembles. Since we start A-SV from random noise perturbations, the algorithm transforms noise into perturbations conditioned on a given reference state - a process that is akin to the denoising process of the generic diffusion based ML model of GenCast, therefor we briefly discuss similarities and differences.
Abstract（参考訳）: 天気予報は基本的に不確実であるため、信頼性の高い意思決定には将来の気象シナリオの可能性に関する情報が必要である。我々は,Huaweiの24h Pangu Weather MLモデルを用いた機械学習天気予報(MLWP)の感度について検討した。我々のArtoni-SV (A-SV) 法では線形モデルや随伴モデルは不要であり,数値天気予報(NWP)やMLWPにも適用可能である。モデル状態に予測モデルを反復的に適用することにより、与えられた最適化時間ウィンドウ内での誤差の増大を観測する。これにより、行列作用素を暗黙的にベースとしたクリロフ部分空間が生成され、局所的な誤差成長が近似される。各イテレーションは、クリロフ空間に新しい次元を追加し、その先頭の右SVは、増大するエラーの方向になると予想される。 A-SVは, 予測ロールアウト開始直後から成長する24時間パング気象モデルに対して, 動的に有意な摂動パターンを見出した。これらの摂動は局所的な不安定なモードを記述しており、MLWPアンサンブルを初期化する基盤となる可能性がある。我々は、ランダムノイズ摂動からA-SVを開始するので、そのアルゴリズムはノイズを与えられた参照状態(GenCastの汎用拡散ベースMLモデルのデノベーションプロセスに類似したプロセス)に変換し、類似点と相違点を簡潔に議論する。

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)
UNet with Axial Transformer : A Neural Weather Model for Precipitation Nowcasting [0.06906005491572399]
本研究では,トランスフォーマーを用いた機械学習モデルを用いた降水予測手法を開発した。本稿では,次のフレーム述語領域で使用されるデータセットの初期研究について述べる。
論文参考訳（メタデータ） (2025-04-28T01:20:30Z)
TimeRefine: Temporal Grounding with Time Refining Video LLM [75.99665302872901]
ビデオの時間的接地は、テキストのプロンプトが与えられたビデオの中で、関連する時間的境界をローカライズすることを目的としている。我々は時間的接地タスクを時間的精錬タスクとして再構成する。我々は、予測セグメントが基底真理からさらに逸脱した場合、モデルをよりペナルティ化する補助予測ヘッドを組み込む。
論文参考訳（メタデータ） (2024-12-12T18:59:11Z)
Self-Supervised Learning with Probabilistic Density Labeling for Rainfall Probability Estimation [16.086011448639635]
SSLPDLはNWP予測を後処理することで降雨確率を推定するための後処理手法である。極端気象現象のクラス不均衡に対処するために,確率密度に基づく簡単なラベル付け手法を提案する。実験の結果,SSLPDLは地域降水後処理において,他の降水予測モデルを上回ることがわかった。
論文参考訳（メタデータ） (2024-12-08T05:56:09Z)
CoDiCast: Conditional Diffusion Model for Global Weather Prediction with Uncertainty Quantification [23.605859261510407]
従来のアンサンブルの数値天気予報は計算集約的である。既存の機械学習ベースの天気予報アプローチは効率的で正確である。正確なグローバル気象予測を生成する条件拡散モデルであるCoDiCastを提案する。
論文参考訳（メタデータ） (2024-09-09T18:18:47Z)
Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning [0.0]
近年の機械学習の発展により、この問題に対する新しいアプローチとしてMLを適用することへの関心が高まっている。我々は'Multi-SiteBoost'という名前のワーキングMLフレームワークを開発し、初期テストの結果はバイアス補正NWPモデルのグリッド値と比較して大幅に改善された。
論文参考訳（メタデータ） (2024-04-04T09:12:13Z)
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)
Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文参考訳（メタデータ） (2023-11-30T08:22:08Z)
TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。私たちのコードはGitHubで公開されます。
論文参考訳（メタデータ） (2023-01-05T22:10:16Z)
SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation [16.540748935603723]
本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。 SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
論文参考訳（メタデータ） (2022-05-26T05:11:58Z)
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)
VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文参考訳（メタデータ） (2020-07-15T07:07:07Z)

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。