論文の概要: Double-Diffusion: Diffusion Conditioned Diffusion Probabilistic Model For Air Quality Prediction

• arxiv url: http://arxiv.org/abs/2506.23053v1
• Date: Sun, 29 Jun 2025 01:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.692005
• Title: Double-Diffusion: Diffusion Conditioned Diffusion Probabilistic Model For Air Quality Prediction
• Title（参考訳）: 二重拡散:拡散条件拡散確率モデルによる空気質予測
• Authors: Hanlin Dong, Arian Prabowo, Hao Xue, Flora D. Salim,
• Abstract要約: 二重拡散(double-Diffusion)は、既知の物理学の力を利用して時間とともに空気の質を予測する新しい拡散確率モデルである。 二重拡散は、他の確率論的モデルと比較して、ほとんどの実生活データセットで第1位である。
• 参考スコア（独自算出の注目度）: 8.795924270950099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air quality prediction is a challenging forecasting task due to its spatio-temporal complexity and the inherent dynamics as well as uncertainty. Most of the current models handle these two challenges by applying Graph Neural Networks or known physics principles, and quantifying stochasticity through probabilistic networks like Diffusion models. Nevertheless, finding the right balancing point between the certainties and uncertainties remains an open question. Therefore, we propose Double-Diffusion, a novel diffusion probabilistic model that harnesses the power of known physics to guide air quality forecasting with stochasticity. To the best of our knowledge, while precedents have been made of using conditional diffusion models to predict air pollution, this is the first attempt to use physics as a conditional generative approach for air quality prediction. Along with a sampling strategy adopted from image restoration and a new denoiser architecture, Double-Diffusion ranks first in most evaluation scenarios across two real-life datasets compared with other probabilistic models, it also cuts inference time by 50% to 30% while enjoying an increase between 3-12% in Continuous Ranked Probabilistic Score (CRPS).
• Abstract（参考訳）: 空気質の予測は、時空間の複雑さと固有の力学と不確実性によって難しい予測課題である。 現在のモデルのほとんどは、グラフニューラルネットワークや既知の物理原理を適用し、拡散モデルのような確率的ネットワークを通じて確率性を定量化することで、これらの2つの課題に対処している。 それでも、確実性と不確実性の間の適切なバランスポイントを見つけることは、未解決の問題である。 そこで本研究では,既知物理のパワーを生かした拡散確率モデルであるDouble-Diffusionを提案する。 我々の知る限り、大気汚染を予測するために条件拡散モデルを用いた先例が作られてきたが、これは空気質予測のための条件生成手法として物理学を用いた最初の試みである。 イメージ復元と新しいデノイザアーキテクチャから採用されたサンプリング戦略に加えて、Double-Diffusionは、他の確率モデルと比較して、2つの実生活データセットのほとんどの評価シナリオで第1位であり、連続ランク付き確率スコア(CRPS)の3-12%の増加を享受しながら、推論時間を50%から30%削減する。

関連論文リスト

• Air Quality Prediction with Physics-Guided Dual Neural ODEs in Open Systems [26.70737906860735]
  大気汚染は人間の健康と生態系を著しく脅かし、公共政策を知らせるために効果的な大気質予測を必要とする。 伝統的なアプローチは一般に物理学に基づくモデルとデータ駆動モデルに分類される。 本稿では,ニューラルネットワークの2つの枝を統合した物理誘導型アプローチであるAirDualODEを提案する。
  論文  参考訳（メタデータ） (2024-10-25T13:56:13Z)
• AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality Prediction [40.58819011476455]
  本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。 我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。 2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-06T07:55:54Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
  確率的予測が可能な条件付き潜伏拡散モデルを開発した。 予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
  論文  参考訳（メタデータ） (2023-07-19T19:19:13Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)

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。