論文の概要: REE-TTT: Highly Adaptive Radar Echo Extrapolation Based on Test-Time Training

• arxiv url: http://arxiv.org/abs/2601.01605v1
• Date: Sun, 04 Jan 2026 17:06:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.560121
• Title: REE-TTT: Highly Adaptive Radar Echo Extrapolation Based on Test-Time Training
• Title（参考訳）: REE-TTT:テストタイムトレーニングに基づく高適応レーダエコー外挿
• Authors: Xin Di, Xinglin Piao, Fei Wang, Guodong Jing, Yong Zhang,
• Abstract要約: 深層学習に基づくRadar Echo Extrapolation (REE) が主流となっている。 本稿では,適応型テストタイムトレーニング(TTT)機構を組み込んだ新しいモデルであるREE-TTTを提案する。 クロスリージョンの極端降水シナリオ下での実験では、REE-TTTは予測精度と一般化において最先端のベースラインモデルを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 9.41635584704307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precipitation nowcasting is critically important for meteorological forecasting. Deep learning-based Radar Echo Extrapolation (REE) has become a predominant nowcasting approach, yet it suffers from poor generalization due to its reliance on high-quality local training data and static model parameters, limiting its applicability across diverse regions and extreme events. To overcome this, we propose REE-TTT, a novel model that incorporates an adaptive Test-Time Training (TTT) mechanism. The core of our model lies in the newly designed Spatio-temporal Test-Time Training (ST-TTT) block, which replaces the standard linear projections in TTT layers with task-specific attention mechanisms, enabling robust adaptation to non-stationary meteorological distributions and thereby significantly enhancing the feature representation of precipitation. Experiments under cross-regional extreme precipitation scenarios demonstrate that REE-TTT substantially outperforms state-of-the-art baseline models in prediction accuracy and generalization, exhibiting remarkable adaptability to data distribution shifts.
• Abstract（参考訳）: 降水量予測は気象予報にとって極めて重要である。 ディープラーニングをベースとしたRadar Echo Extrapolation(REE)は、現在主流となっているアプローチだが、高品質なローカルトレーニングデータと静的モデルパラメータに依存しているため、一般化に苦しむため、さまざまなリージョンや極端なイベントに対する適用性が制限されている。 そこで本研究では,TTT(Adaptive Test-Time Training)機構を組み込んだ新しいモデルであるREE-TTTを提案する。 我々のモデルの中核は、TTT層の標準線形射影をタスク固有の注意機構に置き換え、非定常気象分布への堅牢な適応を可能にし、降水の特徴表現を著しく向上する、新しく設計された時空間テストタイムトレーニング(ST-TTT)ブロックにある。 クロスリージョンの極端降水シナリオ下での実験では、REE-TTTは予測精度と一般化において最先端のベースラインモデルを大幅に上回り、データ分散シフトへの顕著な適応性を示す。

関連論文リスト

• Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting [3.5137191090796054]
  本稿では、時間的構造を利用して多変量気象予測を改善する自己教師型学習フレームワークを提案する。 提案手法は従来の数値予測天気(NWP)モデルと比較して優れた性能を示す。 このフレームワークは、将来のデータ駆動気象システムに対してスケーラブルでラベル効率のよいソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-28T10:52:15Z)
• Leveraging Teleconnections with Physics-Informed Graph Attention Networks for Long-Range Extreme Rainfall Forecasting in Thailand [0.2936007114555107]
  正確な降雨予測、特に極端な出来事は、気候学と地球システムにおいて重要な課題である。 本稿では,新しい物理インフォームドグラフニューラルネットワーク(GNN)と極値解析技術を組み合わせることで,タイ全土のゲージステーション降雨予測を改善することを提案する。
  論文  参考訳（メタデータ） (2025-10-14T09:34:14Z)
• Specialization after Generalization: Towards Understanding Test-Time Training in Foundation Models [64.02612380298228]
  最近の研究は、テストタイムトレーニング(TTT)として知られる特定のタスクに対して、テストタイムでモデルをトレーニングし続けるというアイデアを探求している。 本稿では,TTTがグローバルトレーニングよりもはるかに小さな分布内テスト誤差を達成できるモデルを提案する。 我々は、ImageNet上でスパースオートエンコーダをトレーニングすることで、モデルの主要な仮定を実証的に検証する。
  論文  参考訳（メタデータ） (2025-09-29T09:24:52Z)
• A Deep Learning Approach for Spatio-Temporal Forecasting of InSAR Ground Deformation in Eastern Ireland [2.840858735842673]
  地盤変位のモニタリングは、都市インフラと地質学的危険の軽減に不可欠である。 本稿では,スパース点計測を高密度時間テンソルに変換する新しいディープラーニングフレームワークを提案する。 その結果,提案アーキテクチャはより正確で空間的に整合性のある予測を提供することを示した。
  論文  参考訳（メタデータ） (2025-09-17T17:10:18Z)
• Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
  時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。 部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
  論文  参考訳（メタデータ） (2025-01-09T04:59:15Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions [2.531156266686649]
  本稿では,風速の短期予測のための新しい適応モデルを提案する。 単純な地形条件と複雑な地形条件の予測精度の0.70%において、最も低いばらつきを達成している。
  論文  参考訳（メタデータ） (2024-08-28T06:07:58Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• 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)

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。