論文の概要: Signature Kernel Scoring Rule as Spatio-Temporal Diagnostic for Probabilistic Forecasting

• arxiv url: http://arxiv.org/abs/2510.19110v1
• Date: Tue, 21 Oct 2025 22:15:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.738293
• Title: Signature Kernel Scoring Rule as Spatio-Temporal Diagnostic for Probabilistic Forecasting
• Title（参考訳）: 確率予測のための時空間診断としてのシグナチャカーネルスコーリング規則
• Authors: Archer Dodson, Ritabrata Dutta,
• Abstract要約: 我々は、時間的および空間的依存関係を符号化する連続経路として、気象変数を再構成するシグネチャカーネルスコアリングルールを導入する。 WeatherBench 2モデルの気象スコアカードによる経験的評価は、署名カーネルスコアリングルールの高い識別力を示している。 我々は、ERA5再解析気象データに基づいて、予測逐次スコアリングルールを用いて、滑り窓生成ニューラルネットワークを訓練する。
• 参考スコア（独自算出の注目度）: 3.4161707164978137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern weather forecasting has increasingly transitioned from numerical weather prediction (NWP) to data-driven machine learning forecasting techniques. While these new models produce probabilistic forecasts to quantify uncertainty, their training and evaluation may remain hindered by conventional scoring rules, primarily MSE, which ignore the highly correlated data structures present in weather and atmospheric systems. This work introduces the signature kernel scoring rule, grounded in rough path theory, which reframes weather variables as continuous paths to encode temporal and spatial dependencies through iterated integrals. Validated as strictly proper through the use of path augmentations to guarantee uniqueness, the signature kernel provides a theoretically robust metric for forecast verification and model training. Empirical evaluations through weather scorecards on WeatherBench 2 models demonstrate the signature kernel scoring rule's high discriminative power and unique capacity to capture path-dependent interactions. Following previous demonstration of successful adversarial-free probabilistic training, we train sliding window generative neural networks using a predictive-sequential scoring rule on ERA5 reanalysis weather data. Using a lightweight model, we demonstrate that signature kernel based training outperforms climatology for forecast paths of up to fifteen timesteps.
• Abstract（参考訳）: 現代の天気予報は、数値気象予報(NWP)からデータ駆動機械学習予報技術への移行が進んでいる。 これらの新モデルは、不確実性を定量化する確率論的予測を生成するが、そのトレーニングと評価は、気象や大気システムに存在する高度に相関したデータ構造を無視した従来のスコアリングルール(主にMSE)によって妨げられる可能性がある。 この研究は、粗い経路理論に基づくシグネチャカーネルスコアリングルールを導入し、気象変数を繰り返し積分を通じて時間的および空間的依存関係を符号化する連続経路として再構成する。 シグネチャカーネルは、一意性を保証するためにパス拡張を使用することによって厳密に適切なものとして検証され、予測検証とモデルトレーニングのための理論的に堅牢な指標を提供する。 WeatherBench 2 モデルにおける気象スコアカードによる経験的評価は、シグナルカーネルスコアリングルールの高識別能力とパス依存相互作用をキャプチャするユニークな能力を示す。 逆無確率トレーニングの成功例に続いて,ERA5再解析気象データに基づく予測逐次スコアリングルールを用いて,スライディングウインドウ生成ニューラルネットワークを訓練した。 軽量モデルを用いて、シグネチャカーネルによるトレーニングが最大15段階の予測パスにおいて気候学より優れていることを示す。

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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• 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)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)
• 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)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。