論文の概要: BlockGPT: Spatio-Temporal Modelling of Rainfall via Frame-Level Autoregression
- arxiv url: http://arxiv.org/abs/2510.06293v2
- Date: Wed, 22 Oct 2025 15:14:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:10.930617
- Title: BlockGPT: Spatio-Temporal Modelling of Rainfall via Frame-Level Autoregression
- Title（参考訳）: BlockGPT:フレームレベル自己回帰による降雨の時空間モデル
- Authors: Cristian Meo, Varun Sarathchandran, Avijit Majhi, Shao Hung, Carlo Saccardi, Ruben Imhoff, Roberto Deidda, Remko Uijlenhoet, Justin Dauwels,
- Abstract要約: BlockGPTはバッチトークン化を用いた生成自己回帰変換器である。
各フレーム内で自己注意とフレーム間の因果的注意を用いて、時空を分解する。
精度が向上し、カテゴリのメトリクスによって測定されるイベントのローカライゼーションが向上し、推論は同等のベースラインよりも最大31倍高速になる。
- 参考スコア（独自算出の注目度）: 7.192323743491843
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting precipitation maps is a highly complex spatiotemporal modeling task, critical for mitigating the impacts of extreme weather events. Short-term precipitation forecasting, or nowcasting, requires models that are not only accurate but also computationally efficient for real-time applications. Current methods, such as token-based autoregressive models, often suffer from flawed inductive biases and slow inference, while diffusion models can be computationally intensive. To address these limitations, we introduce BlockGPT, a generative autoregressive transformer using batched tokenization (Block) method that predicts full two-dimensional fields (frames) at each time step. Conceived as a model-agnostic paradigm for video prediction, BlockGPT factorizes space-time by using self-attention within each frame and causal attention across frames; in this work, we instantiate it for precipitation nowcasting. We evaluate BlockGPT on two precipitation datasets, viz. KNMI (Netherlands) and SEVIR (U.S.), comparing it to state-of-the-art baselines including token-based (NowcastingGPT) and diffusion-based (DiffCast+Phydnet) models. The results show that BlockGPT achieves superior accuracy, event localization as measured by categorical metrics, and inference speeds up to 31x faster than comparable baselines.
- Abstract（参考訳）: 降水マップの予測は、非常に複雑な時空間モデリングタスクであり、極端な気象事象の影響を緩和するために重要である。
短期降水予測( nowcasting)は、正確なだけでなく、リアルタイムアプリケーションにも計算効率のよいモデルを必要とする。
トークンベースの自己回帰モデルのような現在の手法は、しばしば欠陥のある帰納的バイアスと遅い推論に悩まされるが、拡散モデルは計算的に集約的である。
これらの制約に対処するために,バッチトークン化(Block)法を用いた生成自己回帰変換器であるBlockGPTを導入し,各時間ステップでフル2次元フィールド(フレーム)を予測する。
映像予測のモデルに依存しないパラダイムとして考案されたBlockGPTは,フレーム内における自己注意とフレーム間の因果的注意を用いて,時空を分解する。
我々は,2つの降水データセット,viz上でBlockGPTを評価した。
KNMI(オランダ)とSEVIR(アメリカ)は、トークンベースの(NowcastingGPT)や拡散ベースの(DiffCast+Phydnet)モデルを含む最先端のベースラインと比較している。
その結果,BlockGPTの精度は向上し,分類指標によるイベントの局所化が達成され,推定速度は同等のベースラインの最大31倍に向上した。
関連論文リスト
- STLDM: Spatio-Temporal Latent Diffusion Model for Precipitation Nowcasting [22.29494904927957]
降水流しは、異常気象による深刻な被害を防ぐための社会にとって重要な予測課題である。
STLDMと呼ばれるシンプルなモデルアーキテクチャを提案する。これは拡散に基づくモデルであり、Varitemporal Autoencoder と Conditioning Network の両方とともに、終端から終端までの潜伏表現を学習する。
論文 参考訳（メタデータ） (2025-12-24T11:34:44Z) - A Space-Time Transformer for Precipitation Forecasting [38.87144329787491]
SaTformerは、衛星の放射光から極端な降水量を予測するビデオトランスフォーマーだ。
我々は降水量の回帰を分類問題に再構成し、ラベルの不均衡に対処するためにクラス重み付き損失を用いる。
私たちのモデルは、NeurIPS Weather4Cast 2025 Cumulative Rainfall Challengeで1位を獲得しました。
論文 参考訳（メタデータ） (2025-11-14T09:10:31Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。
我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
論文 参考訳（メタデータ） (2024-09-30T08:40:28Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳（メタデータ） (2021-03-14T14:28:57Z)
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。