論文の概要: Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling

• arxiv url: http://arxiv.org/abs/2601.21760v1
• Date: Thu, 29 Jan 2026 14:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.882312
• Title: Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling
• Title（参考訳）: 拡散後サンプリングによるゼロショット統計的ダウンスケーリング
• Authors: Ruian Tie, Wenbo Xiong, Zhengyu Shi, Xinyu Su, Chenyu jiang, Libo Wu, Hao Li,
• Abstract要約: 本稿では,ゼロショット統計ダウンスケーリング(ZSSD)を提案する。 その結果、ZSSDは99分の1の誤差で既存のゼロショットベースラインを大幅に上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 4.531460290084765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional supervised climate downscaling struggles to generalize to Global Climate Models (GCMs) due to the lack of paired training data and inherent domain gaps relative to reanalysis. Meanwhile, current zero-shot methods suffer from physical inconsistencies and vanishing gradient issues under large scaling factors. We propose Zero-Shot Statistical Downscaling (ZSSD), a zero-shot framework that performs statistical downscaling without paired data during training. ZSSD leverages a Physics-Consistent Climate Prior learned from reanalysis data, conditioned on geophysical boundaries and temporal information to enforce physical validity. Furthermore, to enable robust inference across varying GCMs, we introduce Unified Coordinate Guidance. This strategy addresses the vanishing gradient problem in vanilla DPS and ensures consistency with large-scale fields. Results show that ZSSD significantly outperforms existing zero-shot baselines in 99th percentile errors and successfully reconstructs complex weather events, such as tropical cyclones, across heterogeneous GCMs.
• Abstract（参考訳）: 従来、温暖化モデル(GCM)には、ペアのトレーニングデータや再分析に関する固有の領域ギャップが欠如しているため、温暖化モデル(GCM)の一般化に苦慮していた。 一方、現在のゼロショット法は、大きなスケーリング要因の下で物理的不整合と勾配の問題に悩まされている。 本稿では,ゼロショット統計ダウンスケーリング(ZSSD)を提案する。 ZSSDは物理一貫性気候を利用して、物理的境界と時間的情報に基づく再解析データから学習し、物理的妥当性を強制する。 さらに, 多様なGCMに対して頑健な推論を可能にするため, 統一コーディネートガイダンスを導入する。 この戦略は、バニラDPSにおける消滅する勾配問題に対処し、大規模フィールドとの整合性を確保する。 その結果,ZSSDは99%の誤差で既存のゼロショットベースラインを著しく上回り,熱帯低気圧などの複雑な気象事象を異種GCMで再現することに成功した。

関連論文リスト

• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• Causal Time Series Modeling of Supraglacial Lake Evolution in Greenland under Distribution Shift [2.5551933647600693]
  因果モデリングは、時系列データの安定で不変な関係を明らかにするための原則的な基礎を提供する。 RIC-TSCは,ラグを意識した因果発見を直接シーケンスモデリングに組み込む,局所的にインフォームドされた因果時系列分類フレームワークである。
  論文  参考訳（メタデータ） (2025-10-17T03:06:08Z)
• Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
  既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。 この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。 本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:23:43Z)
• Diffusion models for probabilistic precipitation generation from atmospheric variables [1.6099193327384094]
  地球系モデル(ESM)では、降水は明示的には解決されず、パラメータ化によって表される。 本稿では,条件付き拡散モデルとUNetアーキテクチャを統合した生成機械学習に基づく新しい手法を提案する。 従来のパラメータ化とは異なり、我々のフレームワークは効率的にアンサンブル予測を生成し、降水の不確実性を把握し、手作業による微調整を必要としない。
  論文  参考訳（メタデータ） (2025-04-01T00:21:31Z)
• Spatiotemporal Density Correction of Multivariate Global Climate Model Projections using Deep Learning [1.0801976288811024]
  グローバル気候モデル(GCM)は、地球の気候システム内の複雑な物理過程をシミュレートする数値モデルである。 GCMは、基礎となる物理的プロセスの単純化により、体系的なバイアスに悩まされる。 日降水量と最大温度データの結合分布の密度補正のための半パラメトリック条件密度推定法(SPCDE)を提案する。
  論文  参考訳（メタデータ） (2024-11-27T22:55:48Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Multi-variable Hard Physical Constraints for Climate Model Downscaling [17.402215838651557]
  地球温暖化モデル(GCM)は、気候変動の進化をシミュレートし、気候変動の影響を評価する主要なツールである。 彼らはしばしば、局所的な現象を再現する際の精度を制限する粗い空間分解能で操作する。 本研究は, この問題の範囲を調査し, 温度適用を通じて多変量制約を導入したフレームワークの基礎を定めている。
  論文  参考訳（メタデータ） (2023-08-02T11:42:02Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)

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。