論文の概要: FedRAIN-Lite: Federated Reinforcement Algorithms for Improving Idealised Numerical Weather and Climate Models

• arxiv url: http://arxiv.org/abs/2508.14315v1
• Date: Tue, 19 Aug 2025 23:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.291981
• Title: FedRAIN-Lite: Federated Reinforcement Algorithms for Improving Idealised Numerical Weather and Climate Models
• Title（参考訳）: FedRAIN-Lite:理想的数値気象・気候モデル改善のためのフェデレーション強化アルゴリズム
• Authors: Pritthijit Nath, Sebastian Schemm, Henry Moss, Peter Haynes, Emily Shuckburgh, Mark Webb,
• Abstract要約: 気候モデルにおけるサブグリッドパラメータ化は、伝統的に静的で、オフラインで調整される。 FedRAIN-Liteは一般的な循環モデルで使用される空間分解を反映するフレームワークである。 Deep Deterministic Policy Gradientは、静的と単一エージェントのベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Sub-grid parameterisations in climate models are traditionally static and tuned offline, limiting adaptability to evolving states. This work introduces FedRAIN-Lite, a federated reinforcement learning (FedRL) framework that mirrors the spatial decomposition used in general circulation models (GCMs) by assigning agents to latitude bands, enabling local parameter learning with periodic global aggregation. Using a hierarchy of simplified energy-balance climate models, from a single-agent baseline (ebm-v1) to multi-agent ensemble (ebm-v2) and GCM-like (ebm-v3) setups, we benchmark three RL algorithms under different FedRL configurations. Results show that Deep Deterministic Policy Gradient (DDPG) consistently outperforms both static and single-agent baselines, with faster convergence and lower area-weighted RMSE in tropical and mid-latitude zones across both ebm-v2 and ebm-v3 setups. DDPG's ability to transfer across hyperparameters and low computational cost make it well-suited for geographically adaptive parameter learning. This capability offers a scalable pathway towards high-complexity GCMs and provides a prototype for physically aligned, online-learning climate models that can evolve with a changing climate. Code accessible at https://github.com/p3jitnath/climate-rl-fedrl.
• Abstract（参考訳）: 気候モデルにおけるサブグリッドパラメータ化は、伝統的に静的で、オフラインに調整され、進化する状態への適応性を制限する。 エージェントを緯度帯に割り当てることで,一般循環モデル(GCM)で使用される空間分解を反映し,周期的グローバルアグリゲーションによる局所パラメータ学習を可能にするFedRAIN-Lite(FedRL)フレームワークを紹介する。 単一エージェントベースライン(ebm-v1)からマルチエージェントアンサンブル(ebm-v2)、GCMライク(ebm-v3)まで、単純化されたエネルギーバランス気候モデルの階層を用いて、異なるFedRL構成下で3つのRLアルゴリズムをベンチマークする。 以上の結果から,Deep Deterministic Policy Gradient (DDPG) は, EBm-v2 と ebm-v3 の双方にまたがる熱帯・中緯度帯において, より早く収束し, 面積重み付きRMSE を低くして, 静的および単一エージェントベースラインを一貫して上回っていることが示唆された。 DDPGがハイパーパラメータをまたいで転送する能力と計算コストの低さは、地理的に適応的なパラメータ学習に適している。 この能力は、高複雑さのGCMへのスケーラブルな経路を提供し、変化する気候で進化できる物理的に整列したオンライン学習気候モデルのプロトタイプを提供する。 コードアクセスはhttps://github.com/p3jitnath/climate-rl-fedrl。

関連論文リスト

• Vision Transformers for Multi-Variable Climate Downscaling: Emulating Regional Climate Models with a Shared Encoder and Multi-Decoder Architecture [0.0]
  共有エンコーダと可変固有デコーダを用いたマルチタスク多変数ビジョントランス (ViT) アーキテクチャを提案する。 我々の多変量アプローチは、正のクロス変数な知識伝達を実現し、同一条件下で訓練された単変量ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-06-12T11:48:41Z)
• Boosting Domain Incremental Learning: Selecting the Optimal Parameters is All You Need [25.45880299215022]
  ドメインインクリメンタルラーニング(DIL)は、連続的なモデル適応を可能にするソリューションを提供する。 既存のPIDILメソッドは、ドメインの数と対応するクラスが増加するにつれてパラメータ選択の精度に悩まされる。 PIDILにおけるドメイン選択を改善する軽量フレームワークSOYOを提案する。
  論文  参考訳（メタデータ） (2025-05-29T17:58:57Z)
• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• PointLoRA: Low-Rank Adaptation with Token Selection for Point Cloud Learning [54.99373314906667]
  ポイントクラウドのための自己教師付き表現学習は、様々なタスクで事前訓練されたモデルパフォーマンスを改善する効果を実証した。 事前訓練されたモデルは複雑さが増すにつれて、下流のアプリケーションに完全に微調整を施すには、かなりの計算資源とストレージ資源が必要である。 そこで我々は,低ランク適応(LoRA)とマルチスケールトークン選択を併用した簡易かつ効果的なPointLoRAを提案する。
  論文  参考訳（メタデータ） (2025-04-22T16:41:21Z)
• Efficient Multi-Instance Generation with Janus-Pro-Dirven Prompt Parsing [53.295515505026096]
  Janus-Pro-driven Prompt Parsingは、テキスト理解とレイアウト生成をブリッジするプロンプト解析モジュールである。 MIGLoRAはパラメータ効率の良いプラグインで、低ランク適応を UNet (SD1.5) と DiT (SD3) のバックボーンに統合する。 提案手法はパラメータ効率を維持しつつCOCOおよびLVISベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-03-27T00:59:14Z)
• RAIN: Reinforcement Algorithms for Improving Numerical Weather and Climate Models [0.0]
  現在の気候モデルは、サブグリッドスケールのプロセスを表現するために複雑な数学的パラメータ化に依存している。 本研究は,重要なパラメータ化課題に対処するために,強化学習と理想的な気候モデルを統合することを検討する。
  論文  参考訳（メタデータ） (2024-08-28T20:10:46Z)
• Automating DBSCAN via Deep Reinforcement Learning [73.82740568765279]
  本稿では,DBSCANの自動パラメータ検索フレームワークであるDRL-DBSCANを提案する。 このフレームワークは、クラスタリング環境をマルコフ決定プロセスとして知覚することで、パラメータ探索方向を調整する過程をモデル化する。 このフレームワークはDBSCANクラスタリングの精度を最大で26%、25%改善している。
  論文  参考訳（メタデータ） (2022-08-09T04:40:11Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)

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。