論文の概要: Training-Free Data Assimilation with GenCast

• arxiv url: http://arxiv.org/abs/2509.18811v2
• Date: Wed, 01 Oct 2025 10:31:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-02 14:33:21.764799
• Title: Training-Free Data Assimilation with GenCast
• Title（参考訳）: GenCastとのトレーニングフリーデータ同化
• Authors: Thomas Savary, François Rozet, Gilles Louppe,
• Abstract要約: 本研究では,力学系をエミュレートするために事前学習した拡散モデルを用いて,データ同化を行う軽量で汎用的な手法を提案する。 本手法は,データ同化アルゴリズムのクラスである粒子フィルタ上に構築されており,それ以上の訓練は不要である。 我々は,グローバルアンサンブル天気予報を生成する拡散モデルであるGenCastの方法論について述べる。
• 参考スコア（独自算出の注目度）: 8.157814461291746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data assimilation is widely used in many disciplines such as meteorology, oceanography, and robotics to estimate the state of a dynamical system from noisy observations. In this work, we propose a lightweight and general method to perform data assimilation using diffusion models pre-trained for emulating dynamical systems. Our method builds on particle filters, a class of data assimilation algorithms, and does not require any further training. As a guiding example throughout this work, we illustrate our methodology on GenCast, a diffusion-based model that generates global ensemble weather forecasts.
• Abstract（参考訳）: データ同化は、気象学、海洋学、ロボット工学などの多くの分野において、ノイズ観測から力学系の状態を推定するために広く使われている。 本研究では,力学系をエミュレートするために事前学習した拡散モデルを用いて,データ同化を行う軽量で汎用的な手法を提案する。 本手法は,データ同化アルゴリズムのクラスである粒子フィルタ上に構築されており,それ以上の訓練は不要である。 本研究の指針として,グローバルアンサンブル天気予報を生成する拡散モデルであるGenCastについて概説する。

関連論文リスト

• Data-Efficient Ensemble Weather Forecasting with Diffusion Models [5.03317364227682]
  拡散モデルは一般的に自己回帰的であり、計算コストが高い。 これは、データが制限され、コストがかかり、作業が難しい気候科学における課題である。 我々は,複数のデータサンプリング戦略を評価し,簡単な時間的階層化サンプリング手法により,実データトレーニングと同等以上の性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-09-14T02:22:16Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Data-Driven Stochastic Closure Modeling via Conditional Diffusion Model and Neural Operator [0.0]
  クロージャモデルは、乱流や地球系のような複雑なマルチスケール力学系をシミュレートするのに広く用いられている。 明確なスケールを持たないシステムでは、一般化決定論的および局所閉包モデルは十分な能力に欠けることが多い。 ニューラル演算子と非局所クロージャモデルを構築するためのデータ駆動モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T05:21:31Z)
• Deep Generative Data Assimilation in Multimodal Setting [0.1052166918701117]
  本研究では,マルチモーダル・セッティングにおけるスコアベースラテント・アシミレーション(SLAMS)を提案する。 気象観測所のデータと衛星画像とを同化して、垂直温度分布を世界規模で校正する。 私たちの研究は、実世界のデータセットを用いたマルチモーダルデータ同化に、初めて深層生成フレームワークを適用しました。
  論文  参考訳（メタデータ） (2024-04-10T00:25:09Z)
• Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
  本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。 各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
  論文  参考訳（メタデータ） (2024-04-02T21:51:39Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。