論文の概要: Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

• arxiv url: http://arxiv.org/abs/2509.25631v1
• Date: Tue, 30 Sep 2025 00:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.971366
• Title: Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting
• Title（参考訳）: Swift: 効率的な天気予報のための自動回帰一貫性モデル
• Authors: Jason Stock, Troy Arcomano, Rao Kotamarthi,
• Abstract要約: 我々は,確率フローモデルの自己回帰微調整を可能にする単一ステップ一貫性モデルであるSwiftを紹介する。 結果から、Swiftは75日間にわたって安定し、最先端の拡散ベースラインよりも39時間以上高速に動作する、熟練した6時間の予測を生成する。
• 参考スコア（独自算出の注目度）: 0.8503925197267593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models offer a physically grounded framework for probabilistic weather forecasting, but their typical reliance on slow, iterative solvers during inference makes them impractical for subseasonal-to-seasonal (S2S) applications where long lead-times and domain-driven calibration are essential. To address this, we introduce Swift, a single-step consistency model that, for the first time, enables autoregressive finetuning of a probability flow model with a continuous ranked probability score (CRPS) objective. This eliminates the need for multi-model ensembling or parameter perturbations. Results show that Swift produces skillful 6-hourly forecasts that remain stable for up to 75 days, running $39\times$ faster than state-of-the-art diffusion baselines while achieving forecast skill competitive with the numerical-based, operational IFS ENS. This marks a step toward efficient and reliable ensemble forecasting from medium-range to seasonal-scales.
• Abstract（参考訳）: 拡散モデルは確率的天気予報のための物理的基盤の枠組みを提供するが、その典型的な方法は推論中の遅い反復的解法に依存しているため、長いリードタイムとドメイン駆動キャリブレーションが不可欠であるS2S(Subseasonal-to-seasonal)アプリケーションでは実用的ではない。 これを解決するために,単一ステップの一貫性モデルであるSwiftを導入する。これは,連続的なランク付け確率スコア(CRPS)を目標とした確率フローモデルの自動回帰微調整を可能にする。 これにより、マルチモデルアンサンブルやパラメータ摂動が不要になる。 結果は、Swiftが最大75日間にわたって安定している熟練した6時間の予測を生成し、最先端の拡散ベースラインよりも399\times$で実行し、数値ベースで運用されているIFS ENSと競合する予測スキルを達成していることを示している。 これは、中規模から季節スケールまでの効率的で信頼性の高いアンサンブル予測に向けた一歩である。

関連論文リスト

• Skillful joint probabilistic weather forecasting from marginals [11.348323146521931]
  本稿では,FGNを提案する。FGNはシンプルでスケーラブルでフレキシブルなモデリング手法で,現在の最先端モデルよりも優れている。 位置ごとの予測の連続ランク確率スコア(CRPS)を最小化するために、直接訓練される。 決定論的および確率論的指標によって測定される、最先端のアンサンブル予測を生成する。
  論文  参考訳（メタデータ） (2025-06-12T14:50:47Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Continuous Ensemble Weather Forecasting with Diffusion models [10.730406954385927]
  連続アンサンブル予測は拡散モデルにおけるアンサンブル予測をサンプリングするための新しいフレキシブルな手法である。 時間的に一貫したアンサンブル軌道を、自動回帰ステップなしで完全に並列に生成することができる。 本手法は, 確率特性のよいグローバル気象予報において, 競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-07T18:51:23Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models [6.882042556551611]
  深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。 このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。 エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
  論文  参考訳（メタデータ） (2021-02-09T20:14:43Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。