論文の概要: UniExtreme: A Universal Foundation Model for Extreme Weather Forecasting

• arxiv url: http://arxiv.org/abs/2508.01426v1
• Date: Sat, 02 Aug 2025 16:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.875315
• Title: UniExtreme: A Universal Foundation Model for Extreme Weather Forecasting
• Title（参考訳）: UniExtreme: 極度の天気予報のためのユニバーサルファンデーションモデル
• Authors: Hang Ni, Weijia Zhang, Hao Liu,
• Abstract要約: 既存のアプローチは、一般的な気象条件に焦点を当てるか、特定のタイプの極端を専門にし、様々な極端事象の現実世界の大気パターンを無視している。 本研究では,(1)通常の気象条件に対するスペクトル差,(2)階層的ドライバ,および多様な極度の地理的ブレンディングという,極端な事象の2つの重要な特徴を同定する。 UniExtremeは、適応周波数変調(AFM)モジュールと、通常の気象と極度の気象の領域的なスペクトル差を捉えた普遍的極端気象予測基盤モデルと、階層的な極端多様性と合成を解決するために、地域固有の極端事象を組み込んだイベント事前拡張(EPA)モジュールを提案する。
• 参考スコア（独自算出の注目度）: 8.225163096608993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in deep learning have led to the development of Foundation Models (FMs) for weather forecasting, yet their ability to predict extreme weather events remains limited. Existing approaches either focus on general weather conditions or specialize in specific-type extremes, neglecting the real-world atmospheric patterns of diversified extreme events. In this work, we identify two key characteristics of extreme events: (1) the spectral disparity against normal weather regimes, and (2) the hierarchical drivers and geographic blending of diverse extremes. Along this line, we propose UniExtreme, a universal extreme weather forecasting foundation model that integrates (1) an Adaptive Frequency Modulation (AFM) module that captures region-wise spectral differences between normal and extreme weather, through learnable Beta-distribution filters and multi-granularity spectral aggregation, and (2) an Event Prior Augmentation (EPA) module which incorporates region-specific extreme event priors to resolve hierarchical extreme diversity and composite extreme schema, via a dual-level memory fusion network. Extensive experiments demonstrate that UniExtreme outperforms state-of-the-art baselines in both extreme and general weather forecasting, showcasing superior adaptability across diverse extreme scenarios.
• Abstract（参考訳）: 近年のディープラーニングの進歩は、天気予報のためのファンデーションモデル(FM)の開発につながっているが、極端な気象事象を予測する能力は依然として限られている。 既存のアプローチは、一般的な気象条件に焦点を当てるか、特定のタイプの極端を専門にし、様々な極端事象の現実世界の大気パターンを無視している。 本研究では,(1)通常の気象条件に対するスペクトル差,(2)階層的ドライバ,および多様な極度の地理的ブレンディングという,極端な事象の2つの重要な特徴を同定する。 本研究は,(1)適応周波数変調(AFM)モジュールと,(2)学習可能なベータ分布フィルタと多粒度スペクトルアグリゲーションを通じて,通常の気象と極度の気象の領域的なスペクトル差をキャプチャするUnixremeと,(2)階層的メモリ融合ネットワークを介して,地域固有の極端事象を包含するイベント事前拡張(EPA)モジュールを統合した,普遍的極端気象予測基盤モデルであるUnixremeを提案する。 大規模な実験により、Unixremeは極端および一般の天気予報において最先端のベースラインよりも優れており、多様な極端なシナリオにおいて優れた適応性を示している。

関連論文リスト

• Constructing Extreme Heatwave Storylines with Differentiable Climate Models [49.1574468325115]
  本稿では,異なるハイブリッド気候モデルであるNeuralGCMを用いて,初期条件を最適化し,物理的に一貫した最悪の熱波トラジェクトリを生成する新しいフレームワークを提案する。 2021年の太平洋岸北西部のヒートウェーブを応用し、75人組のアンサンブルの最も極端なメンバーよりも3.7ドルほどの熱波強度を発生させる。 以上の結果から,異なる気候モデルがイベント可能性の上部を効率的に探索できることが示され,気候変動下での極端気象を対象とするストーリーラインを構築するための強力な新しいアプローチが提案された。
  論文  参考訳（メタデータ） (2025-06-12T12:50:38Z)
• ExEBench: Benchmarking Foundation Models on Extreme Earth Events [25.64187994534061]
  人類の生命や生態系に大きなリスクをもたらす、極端な出来事が頻繁に発生しています。 機械学習(ML)の最近の進歩は、特徴の抽出と災害管理の約束を示すものである。 これらのモデルは、トレーニングデータからバイアスを受け継ぎ、極端な値よりもパフォーマンスに挑戦することが多い。 textbfExEBenchは,洪水,山火事,嵐,熱帯低気圧,極端な降水量,熱波,寒波にまたがる7つの極端なイベントカテゴリの集合体である。
  論文  参考訳（メタデータ） (2025-05-13T13:02:04Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• FATE: Focal-modulated Attention Encoder for Multivariate Time-series Forecasting [0.0]
  気候は、海面の上昇、氷河の融解、ますます極端な気候パターンなど、21世紀の最も急進的な世界的な課題の1つである。 正確な予測はこれらの現象を監視し、緩和戦略を支援するために重要である。 CNN、RNN、アテンションベースのトランスフォーマーなど、最近の時系列予測のためのデータ駆動モデルでは、依存関係と限定並列化に苦戦している。 本研究は,時系列予測のための修正注意文(FATE)を提示する。
  論文  参考訳（メタデータ） (2024-08-21T04:40:18Z)
• Huge Ensembles Part I: Design of Ensemble Weather Forecasts using Spherical Fourier Neural Operators [1.8631104006124717]
  機械学習を使って、巨大な天気のアンサンブルのヒンドキャストを生成します。 第1部:球状フーリエニューラル演算子(SFNO)に基づくアンサンブル天気予報システムの構築 パートII: MLの極端な天気予報は信頼性と差別性を示す。
  論文  参考訳（メタデータ） (2024-08-06T11:04:25Z)
• UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
  LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。 事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。 LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:02:15Z)
• 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)
• 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)
• 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)
• Forecast-based Multi-aspect Framework for Multivariate Time-series Anomaly Detection [35.5539484341082]
  本稿では、FMUAD - Forecastベースのマルチアスペクト、教師なし異常検出フレームワークを提案する。 独立モジュールとの空間的変化、時間的変化、相関変化といった、異常なタイプの特徴をキャプチャする。 実験では、他の最先端の予測に基づく異常検出装置よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-13T05:12:09Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。