論文の概要: CERA: A Framework for Improved Generalization of Machine Learning Models to Changed Climates

• arxiv url: http://arxiv.org/abs/2509.00010v1
• Date: Fri, 15 Aug 2025 20:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-07 09:10:15.238247
• Title: CERA: A Framework for Improved Generalization of Machine Learning Models to Changed Climates
• Title（参考訳）: CERA: 変化した気候に対する機械学習モデルの一般化を改善するフレームワーク
• Authors: Shuchang Liu, Paul A. O'Gorman,
• Abstract要約: 気候変動下でのロバストな一般化は、気候変動科学における機械学習応用の大きな課題である。 本稿では,自動エンコーダによる機械学習フレームワークCERA(Climate-invariant climate representation through Representation)を提案する。 CERAは、+4K気候からのラベル付きデータをトレーニングすることなく、ラベル付き制御気候データとラベルなし温度気候入力を活用して、より暖かい気候への一般化を改善する。
• 参考スコア（独自算出の注目度）: 1.205087107092304
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Robust generalization under climate change remains a major challenge for machine learning applications in climate science. Most existing approaches struggle to extrapolate beyond the climate they were trained on, leading to a strong dependence on training data from model simulations of warm climates. Use of climate-invariant inputs improves generalization but requires challenging manual feature engineering. Here, we present CERA (Climate-invariant Encoding through Representation Alignment), a machine learning framework consisting of an autoencoder with explicit latent-space alignment, followed by a predictor for downstream process estimation. We test CERA on the problem of parameterizing moist-physics processes. Without training on labeled data from a +4K climate, CERA leverages labeled control-climate data and unlabeled warmer-climate inputs to improve generalization to the warmer climate, outperforming both raw-input and physically informed baselines in predicting key moisture and energy tendencies. It captures not only the vertical and meridional structures of the moisture tendencies, but also shifts in the intensity distribution of precipitation including extremes. Ablation experiments show that latent alignment improves both accuracy and the robustness across random seeds used in training. While some reduced skill remains in the boundary layer, the framework offers a data-driven alternative to manual feature engineering of climate invariant inputs. Beyond parameterizations used in hybrid ML-physics systems, the approach holds promise for other climate applications such as statistical downscaling.
• Abstract（参考訳）: 気候変動下でのロバストな一般化は、気候変動科学における機械学習応用の大きな課題である。 既存のアプローチのほとんどは、訓練された気候を超えて外挿することに苦労しており、温暖な気候のモデルシミュレーションからのトレーニングデータに強く依存している。 気候不変入力の使用は一般化を改善するが、手動の特徴工学を必要とする。 本稿では,機械学習フレームワークCERA(Climate-invariant Encoding through Representation Alignment)について述べる。 我々は,湿式物理プロセスのパラメータ化問題に関してCERAを検証した。 CERAは、+4K気候からのラベル付きデータをトレーニングすることなく、ラベル付き制御気候データと未ラベルの温暖気候入力を利用して、より温暖な気候への一般化を改善し、重要な湿度とエネルギーの傾向を予測するために、生の入力と物理的にインフォメーションされたベースラインの両方を上回っている。 湿気傾向の垂直構造と乾燥構造だけでなく、極端を含む降水の強度分布の変化も捉えている。 アブレーション実験により、潜在アライメントはトレーニングで使用するランダムシードの精度とロバスト性の両方を改善することが示された。 境界層にはいくつかのスキルが残っているが、このフレームワークは、気候不変入力の手動特徴工学に代わるデータ駆動の代替を提供する。 ハイブリッドML物理システムで使用されるパラメータ化以外にも、この手法は統計的ダウンスケーリングのような他の気候応用にも期待できる。

関連論文リスト

• A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
  気象学における多くの問題は、AIモデルを使って解決できる。 データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。 本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-04-19T04:31:35Z)
• ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
  我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。 また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T02:22:23Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Climate-Invariant Machine Learning [0.8831201550856289]
  現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。 最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。 我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-14T07:02:57Z)

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。