論文の概要: From Noise to Precision: A Diffusion-Driven Approach to Zero-Inflated Precipitation Prediction

• arxiv url: http://arxiv.org/abs/2509.10501v1
• Date: Mon, 01 Sep 2025 13:37:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.756732
• Title: From Noise to Precision: A Diffusion-Driven Approach to Zero-Inflated Precipitation Prediction
• Title（参考訳）: ノイズから精度へ:拡散駆動によるゼロインフレード降水予測へのアプローチ
• Authors: Wentao Gao, Jiuyong Li, Lin Liu, Thuc Duy Le, Xiongren Chen, Xiaojing Du, Jixue Liu, Yanchang Zhao, Yun Chen,
• Abstract要約: ゼロ膨らませたデータは、希少な非ゼロ事象を伴うゼロの優位性のために降水予測において重大な課題を提起する。 我々は,ゼロインフレ拡散フレームワーク (ZIDF) を提案する。これは,ゼロインフレ分布の平滑化のためのガウス摂動と,時相パターンを捉えるためのトランスフォーマーに基づく予測を統合したものである。 その結果、ZIDFは、複数の最先端降水予測モデルに対して、最大56.7%のMSE削減、21.1%のMAE削減を実現した。
• 参考スコア（独自算出の注目度）: 25.013780562457097
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Zero-inflated data pose significant challenges in precipitation forecasting due to the predominance of zeros with sparse non-zero events. To address this, we propose the Zero Inflation Diffusion Framework (ZIDF), which integrates Gaussian perturbation for smoothing zero-inflated distributions, Transformer-based prediction for capturing temporal patterns, and diffusion-based denoising to restore the original data structure. In our experiments, we use observational precipitation data collected from South Australia along with synthetically generated zero-inflated data. Results show that ZIDF demonstrates significant performance improvements over multiple state-of-the-art precipitation forecasting models, achieving up to 56.7\% reduction in MSE and 21.1\% reduction in MAE relative to the baseline Non-stationary Transformer. These findings highlight ZIDF's ability to robustly handle sparse time series data and suggest its potential generalizability to other domains where zero inflation is a key challenge.
• Abstract（参考訳）: ゼロ膨らませたデータは、希少な非ゼロ事象を伴うゼロの優位性のために降水予測において重大な課題を提起する。 これを解決するために、ゼロインフレ拡散フレームワーク(ZIDF)を提案し、ゼロインフレ分布の平滑化のためのガウス摂動、トランスフォーマーに基づく時間的パターンの予測、および元のデータ構造を復元するための拡散に基づく復調を行う。 実験では,南オーストラリアから収集した観測降水データと,合成したゼロインフレードデータを用いた。 その結果、ZIDFは複数の最先端降水予測モデルに対して顕著な性能向上を示し、MSEの56.7倍、非定常変圧器の21.1倍のMAEの低減を実現した。 これらの知見は、ZIDFがスパース時系列データを頑健に扱う能力を強調し、ゼロインフレが重要な課題である他の領域にその潜在的な一般化可能性を示唆している。

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)
• Probabilistic Spatial Interpolation of Sparse Data using Diffusion Models [0.0]
  本研究では,1%の観測範囲から全温度場を再構成する条件付きデータ計算フレームワークを提案する。 我々は,2018-2020年夏期の午後の気温場に着目して,南大平原の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-05-26T21:19:09Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.427841765899196]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
  非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。 リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。 我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
  論文  参考訳（メタデータ） (2024-02-03T08:41:51Z)
• 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)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• PriorGrad: Improving Conditional Denoising Diffusion Models with Data-Driven Adaptive Prior [103.00403682863427]
  条件拡散モデルの効率を改善するために, PreGrad を提案する。 PriorGradはデータとパラメータの効率を向上し、品質を向上する。
  論文  参考訳（メタデータ） (2021-06-11T14:04:03Z)

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。