論文の概要: FlowDA: Accurate, Low-Latency Weather Data Assimilation via Flow Matching

• arxiv url: http://arxiv.org/abs/2602.06800v1
• Date: Fri, 06 Feb 2026 15:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.461147
• Title: FlowDA: Accurate, Low-Latency Weather Data Assimilation via Flow Matching
• Title（参考訳）: FlowDA:フローマッチングによる高精度・低レイテンシ気象データ同化
• Authors: Ran Cheng, Lailai Zhu,
• Abstract要約: FlowDAは、フローマッチングに基づく低遅延気象スケール生成DAフレームワークである。 観測速度を3.9%から0.1%に下げた実験は、FlowDAの優れた性能を示している。
• 参考スコア（独自算出の注目度）: 7.337861034978726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data assimilation (DA) is a fundamental component of modern weather prediction, yet it remains a major computational bottleneck in machine learning (ML)-based forecasting pipelines due to reliance on traditional variational methods. Recent generative ML-based DA methods offer a promising alternative but typically require many sampling steps and suffer from error accumulation under long-horizon auto-regressive rollouts with cycling assimilation. We propose FlowDA, a low-latency weather-scale generative DA framework based on flow matching. FlowDA conditions on observations through a SetConv-based embedding and fine-tunes the Aurora foundation model to deliver accurate, efficient, and robust analyses. Experiments across observation rates decreasing from $3.9\%$ to $0.1\%$ demonstrate superior performance of FlowDA over strong baselines with similar tunable-parameter size. FlowDA further shows robustness to observational noise and stable performance in long-horizon auto-regressive cycling DA. Overall, FlowDA points to an efficient and scalable direction for data-driven DA.
• Abstract（参考訳）: データ同化(DA)は、現代の天気予報の基本的な構成要素であるが、従来の変動法に依存するため、機械学習(ML)ベースの予測パイプラインにおいて、依然として大きな計算ボトルネックとなっている。 近年のMLに基づくDA法は,多くのサンプリングステップが必要であり,サイクル同化を伴う長期自己回帰ロールアウトの際のエラー蓄積に悩まされている。 本稿では,フローマッチングに基づく低レイテンシ気象スケール生成DAフレームワークであるFlowDAを提案する。 SetConvベースの埋め込みによる観測のフローDA条件と、Auroraファンデーションモデルによる精密で効率的で堅牢な分析の微調整。 観測速度を3.9\%から0.1\%に下げる実験は、同じ調整可能なパラメータサイズを持つ強いベースラインよりも、FlowDAの優れた性能を示す。 FlowDAはさらに、長距離自己回帰サイクリングDAにおいて、観測ノイズに対する堅牢性と安定した性能を示す。 全体として、FlowDAはデータ駆動型DAの効率的でスケーラブルな方向性を示している。

関連論文リスト

• Path-Guided Flow Matching for Dataset Distillation [9.761850986508895]
  本稿では, 数ステップでODEを解くことで, 高速な決定論的合成を可能にする, 生成蒸留のための最初のフローマッチングに基づくフレームワークを提案する。 本研究では, ODE-consistent path control のための連続経路-プロトタイプ誘導アルゴリズムを開発し, トラジェクトリが割り当てられたプロトタイプに確実に着地できるようにする。
  論文  参考訳（メタデータ） (2026-02-05T12:52:32Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Update hydrological states or meteorological forcings? Comparing data assimilation methods for differentiable hydrologic models [0.923607423080658]
  データ同化(DA)は、より正確な予測のために、ほぼリアルタイムな観測によって水理モデルの内部状態を更新することを可能にする。 そこで我々は,降水データのみに対する調整器の最適化を含む,微分可能なモデルに対する変分DA法を開発した。 我々のDAフレームワークは、体系的な訓練データを必要としないため、河川網全体のDAスキームとして機能する可能性がある。
  論文  参考訳（メタデータ） (2025-02-23T05:08:05Z)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation [26.520247496906492]
  本研究では,条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が,この問題に対処するための有効な選択肢であるかどうかを解析する。 各種流速予測手法の性能を定量的に定性的に評価するために, 非圧縮性および超音速流を含む3つの難解な2次元シナリオと等方性乱流を用いる。 単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-09-04T18:01:42Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)

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。