論文の概要: Incorporating Multivariate Consistency in ML-Based Weather Forecasting with Latent-space Constraints

• arxiv url: http://arxiv.org/abs/2510.04006v1
• Date: Sun, 05 Oct 2025 02:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.389551
• Title: Incorporating Multivariate Consistency in ML-Based Weather Forecasting with Latent-space Constraints
• Title（参考訳）: 潜在空間制約を考慮したMLに基づく天気予報における多変量整合性の導入
• Authors: Hang Fan, Yi Xiao, Yongquan Qu, Fenghua Ling, Ben Fei, Lei Bai, Pierre Gentine,
• Abstract要約: データ駆動機械学習(ML)モデルは最近、天気予報のための伝統的な物理ベースのアプローチを超越する可能性を示している。 ほとんどのMLベースの予測モデルは、再分析を真実として扱い、変数固有の損失重み付けの下で訓練される。 長い時間をかけて、ロールアウトトレーニング中に予測がぼやけ、物理的に非現実的になる。 遅延空間制約によるロールアウトトレーニングにより、長期予測スキルが向上し、微細構造や物理的なリアリズムの保存性が向上することを示す。
• 参考スコア（独自算出の注目度）: 21.499040370144552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven machine learning (ML) models have recently shown promise in surpassing traditional physics-based approaches for weather forecasting, leading to a so-called second revolution in weather forecasting. However, most ML-based forecast models treat reanalysis as the truth and are trained under variable-specific loss weighting, ignoring their physical coupling and spatial structure. Over long time horizons, the forecasts become blurry and physically unrealistic under rollout training. To address this, we reinterpret model training as a weak-constraint four-dimensional variational data assimilation (WC-4DVar) problem, treating reanalysis data as imperfect observations. This allows the loss function to incorporate reanalysis error covariance and capture multivariate dependencies. In practice, we compute the loss in a latent space learned by an autoencoder (AE), where the reanalysis error covariance becomes approximately diagonal, thus avoiding the need to explicitly model it in the high-dimensional model space. We show that rollout training with latent-space constraints improves long-term forecast skill and better preserves fine-scale structures and physical realism compared to training with model-space loss. Finally, we extend this framework to accommodate heterogeneous data sources, enabling the forecast model to be trained jointly on reanalysis and multi-source observations within a unified theoretical formulation.
• Abstract（参考訳）: データ駆動機械学習(ML)モデルは、最近、天気予報のための伝統的な物理ベースのアプローチを超越する可能性を示しており、いわゆる第2次気象予報革命につながっている。 しかし、ほとんどのMLベースの予測モデルは、リアナリシスを真実として扱い、物理的結合や空間構造を無視して、変数特異的な損失重み付けの下で訓練される。 長い時間をかけて、ロールアウトトレーニング中に予測がぼやけ、物理的に非現実的になる。 そこで我々は,モデルトレーニングを4次元変動データ同化(WC-4DVar)問題として再解釈し,再解析データを不完全な観測として扱う。 これにより、損失関数は再解析エラーの共分散を組み込んで、多変量依存関係をキャプチャできる。 実際には、自己エンコーダ(AE)で学習した潜在空間の損失を計算し、そこでは再解析誤差の共分散がほぼ対角線となるので、高次元モデル空間で明示的にモデル化する必要がなくなる。 遅延空間制約によるロールアウトトレーニングでは,長期予測スキルが向上し,モデル空間損失によるトレーニングと比較して,微細構造や物理リアリズムの保存性が向上することを示す。 最後に、このフレームワークを異種データソースに対応するよう拡張し、統一された理論定式化内での再解析およびマルチソース観測に基づいて予測モデルを共同で訓練することを可能にする。

関連論文リスト

• A Theoretical Perspective: How to Prevent Model Collapse in Self-consuming Training Loops [55.07063067759609]
  高品質なデータは大規模な生成モデルのトレーニングには不可欠だが、オンラインで利用可能な実際のデータの膨大な蓄積はほとんど枯渇している。 モデルは、さらなるトレーニングのために独自のデータを生成し、自己消費訓練ループ(STL)を形成する。 一部のモデルは劣化または崩壊するが、他のモデルはこれらの失敗をうまく回避し、理論的な理解にかなりのギャップを残している。
  論文  参考訳（メタデータ） (2025-02-26T06:18:13Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• 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)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
  本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。 このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。 新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-17T01:12:44Z)
• Physics-Informed Graph Neural Network for Spatial-temporal Production Forecasting [0.0]
  歴史的データに基づく生産予測は、炭化水素資源の開発に不可欠な価値を提供する。 生産予測のためのグリッドフリーな物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T23:28:40Z)

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。