論文の概要: Km-scale dynamical downscaling through conformalized latent diffusion models

• arxiv url: http://arxiv.org/abs/2510.13301v1
• Date: Wed, 15 Oct 2025 08:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.57686
• Title: Km-scale dynamical downscaling through conformalized latent diffusion models
• Title（参考訳）: 共形潜在拡散モデルによるKmスケール動的ダウンスケーリング
• Authors: Alessandro Brusaferri, Andrea Ballarino,
• Abstract要約: 高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
• 参考スコア（独自算出の注目度）: 45.94979929172337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamical downscaling is crucial for deriving high-resolution meteorological fields from coarse-scale simulations, enabling detailed analysis for critical applications such as weather forecasting and renewable energy modeling. Generative Diffusion models (DMs) have recently emerged as powerful data-driven tools for this task, offering reconstruction fidelity and more scalable sampling supporting uncertainty quantification. However, DMs lack finite-sample guarantees against overconfident predictions, resulting in miscalibrated grid-point-level uncertainty estimates hindering their reliability in operational contexts. In this work, we tackle this issue by augmenting the downscaling pipeline with a conformal prediction framework. Specifically, the DM's samples are post-processed to derive conditional quantile estimates, incorporated into a conformalized quantile regression procedure targeting locally adaptive prediction intervals with finite-sample marginal validity. The proposed approach is evaluated on ERA5 reanalysis data over Italy, downscaled to a 2-km grid. Results demonstrate grid-point-level uncertainty estimates with markedly improved coverage and stable probabilistic scores relative to the DM baseline, highlighting the potential of conformalized generative models for more trustworthy probabilistic downscaling to high-resolution meteorological fields.
• Abstract（参考訳）: 天気予報や再生可能エネルギーモデリングといった重要な応用の詳細な解析を可能にするため、粗大なシミュレーションから高分解能気象場を導出するには動的ダウンスケーリングが不可欠である。 生成拡散モデル(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場し、再構成の忠実さと、不確実性定量化をサポートするよりスケーラブルなサンプリングを提供する。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が運用環境での信頼性を損なうことになる。 本研究では,この問題に対して,コンフォメーション予測フレームワークによるダウンスケーリングパイプラインの拡張により対処する。 具体的には、DMのサンプルを後処理して条件付き量子化推定を導出し、有限サンプルの限界有効性を持つ局所適応予測区間を対象とする共形化量子化回帰手順に組み込む。 提案手法は, イタリアにおけるERA5再解析データに基づいて, 2kmグリッドにダウンスケールした。 その結果、DMベースラインに対する網目的改善と安定した確率スコアを有する格子点レベルの不確実性評価が示され、高分解能気象分野への信頼性の高い確率的ダウンスケーリングのための共形生成モデルの可能性が浮き彫りにされた。

関連論文リスト

• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals [0.254890465057467]
  Supervised expectation-Maximization Framework (SEMF)は、任意のMLモデルで予測間隔を生成するための汎用的でモデルに依存しないアプローチである。 SEMFは、所望のカバレッジ確率を維持しながら、常により狭い予測間隔を生成する。 量子(スピンボール)損失を使わずに、SEMFは勾配ブースト木やニューラルネットワークを含む点予測器を共形量子レグレッションで校正することができる。
  論文  参考訳（メタデータ） (2024-05-28T13:43:34Z)
• Conformalized Multimodal Uncertainty Regression and Reasoning [0.9205582989348333]
  本稿では,マルチモーダル(不連続)不確実性境界を予測できる軽量不確実性推定器を提案する。 本稿では,空飛ぶ領域対称性などの環境特性が多モード不確実性をもたらす視覚計測(VO)への応用について論じる。
  論文  参考訳（メタデータ） (2023-09-20T02:40:59Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Calibration and Uncertainty Quantification of Bayesian Convolutional Neural Networks for Geophysical Applications [0.0]
  このような地下モデルによる予測の不確実性は、キャリブレーションされた確率と関連する不確かさを予測に組み込むのが一般的である。 一般的なディープラーニングベースのモデルは、しばしば誤解され、決定論的性質のため、予測の不確実性を解釈する手段がないことが示されている。 ベイズ形式論における畳み込みニューラルネットワークに基づく確率モデルを得るための3つの異なるアプローチを比較した。
  論文  参考訳（メタデータ） (2021-05-25T17:54:23Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。