論文の概要: Knowledge-Guided Adaptive Mixture of Experts for Precipitation Prediction

• arxiv url: http://arxiv.org/abs/2509.11459v1
• Date: Sun, 14 Sep 2025 22:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.09385
• Title: Knowledge-Guided Adaptive Mixture of Experts for Precipitation Prediction
• Title（参考訳）: 降水予測のための知識誘導型エキスパートの適応混合
• Authors: Chen Jiang, Kofi Osei, Sai Deepthi Yeddula, Dongji Feng, Wei-Shinn Ku,
• Abstract要約: 本稿では,降水率予測に適した適応混合専門家モデル(MoE)を提案する。 モデル内の各専門家は、特定のモダリティまたは降水時間パターンを専門とする。 対話型Webベースの可視化ツールを導入し、ユーザーは時間と空間を通じて、過去の気象パターンを直感的に探索できる。
• 参考スコア（独自算出の注目度）: 9.508961267296579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate precipitation forecasting is indispensable in agriculture, disaster management, and sustainable strategies. However, predicting rainfall has been challenging due to the complexity of climate systems and the heterogeneous nature of multi-source observational data, including radar, satellite imagery, and surface-level measurements. The multi-source data vary in spatial and temporal resolution, and they carry domain-specific features, making it challenging for effective integration in conventional deep learning models. Previous research has explored various machine learning techniques for weather prediction; however, most struggle with the integration of data with heterogeneous modalities. To address these limitations, we propose an Adaptive Mixture of Experts (MoE) model tailored for precipitation rate prediction. Each expert within the model specializes in a specific modality or spatio-temporal pattern. We also incorporated a dynamic router that learns to assign inputs to the most relevant experts. Our results show that this modular design enhances predictive accuracy and interpretability. In addition to the modeling framework, we introduced an interactive web-based visualization tool that enables users to intuitively explore historical weather patterns over time and space. The tool was designed to support decision-making for stakeholders in climate-sensitive sectors. We evaluated our approach using a curated multimodal climate dataset capturing real-world conditions during Hurricane Ian in 2022. The benchmark results show that the Adaptive MoE significantly outperformed all the baselines.
• Abstract（参考訳）: 正確な降水予測は農業、災害管理、持続可能な戦略において不可欠である。 しかし、気候システムの複雑さとレーダー、衛星画像、表面レベルの測定を含む多ソース観測データの不均一性のため、降雨予測は困難である。 マルチソースデータは空間的・時間的差があり、ドメイン固有の特徴を持ち、従来のディープラーニングモデルにおいて効果的な統合が困難である。 過去の研究では、天気予報のためのさまざまな機械学習技術について検討されてきたが、ほとんどの場合、不均一なモダリティとデータの統合に苦慮している。 これらの制約に対処するため、降水率予測に適した適応混合専門家モデル(MoE)を提案する。 モデル内の各専門家は、特定のモダリティまたは時空間パターンを専門とする。 また、最も関係のある専門家に入力を割り当てることを学ぶ動的ルータも組み込んだ。 以上の結果から,このモジュール設計は予測精度と解釈可能性を向上させることが示唆された。 モデリングフレームワークに加えて,対話型Webベースの可視化ツールも導入した。 このツールは、気候に敏感な分野の利害関係者の意思決定を支援するように設計されている。 2022年のハリケーン・イアン時の実環境を把握したマルチモーダル気候データセットを用いて,本手法の評価を行った。 ベンチマークの結果、Adaptive MoEはすべてのベースラインを大きく上回った。

関連論文リスト

• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• GMG: A Video Prediction Method Based on Global Focus and Motion Guided [3.8705725316028583]
  現在の予測モデルは、特徴抽出のために畳み込み操作やスライディングウィンドウに依存している。 気象データは、しばしば非剛体で、その運動過程は予測不可能な変形を伴う。 これら2つの課題に対処するためのGMGモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-14T11:06:49Z)
• ClimateLLM: Efficient Weather Forecasting via Frequency-Aware Large Language Models [13.740208247043258]
  天気予報の基礎モデルであるClimateLLMを提案する。 時間的および空間横断的な協調フレームワークを通じて、時間的依存関係をキャプチャする。 周波数分解と大言語モデルを統合し、空間的および時間的モデリングを強化する。
  論文  参考訳（メタデータ） (2025-02-16T09:57:50Z)
• HiMoE: Heterogeneity-Informed Mixture-of-Experts for Fair Spatial-Temporal Forecasting [8.055360119228606]
  我々は,一様かつ高精度な時空間予測を提供する新しいヘテロジニティ・インフォームド・ミックス・オブ・エクササイズ(HiMoE)フレームワークを提案する。 4つの実世界のデータセットの実験は、HiMoEが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2024-11-30T01:50:42Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• 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)

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。