論文の概要: PuYun-LDM: A Latent Diffusion Model for High-Resolution Ensemble Weather Forecasts

• arxiv url: http://arxiv.org/abs/2602.11807v1
• Date: Thu, 12 Feb 2026 10:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.774906
• Title: PuYun-LDM: A Latent Diffusion Model for High-Resolution Ensemble Weather Forecasts
• Title（参考訳）: PuYun-LDM:高解像度エンサンブル気象予報のための潜時拡散モデル
• Abstract要約: 潜時拡散モデル (LDMs) は高分解能アンサンブル気象予報において, 限られた拡散性に悩まされる。 本稿では,遅延拡散性を高め,予測のアンサンブルに優れた性能を実現するPuYun-LDMを提案する。 PuYun-LDMは1つのNVIDIA H200 GPU上で6時間の時間分解能を持つ15日間のグローバル予測を生成する。
• 参考スコア（独自算出の注目度）: 12.731337991737918
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Latent diffusion models (LDMs) suffer from limited diffusability in high-resolution (<=0.25°) ensemble weather forecasting, where diffusability characterizes how easily a latent data distribution can be modeled by a diffusion process. Unlike natural image fields, meteorological fields lack task-agnostic foundation models and explicit semantic structures, making VFM-based regularization inapplicable. Moreover, existing frequency-based approaches impose identical spectral regularization across channels under a homogeneity assumption, which leads to uneven regularization strength under the inter-variable spectral heterogeneity in multivariate meteorological data. To address these challenges, we propose a 3D Masked AutoEncoder (3D-MAE) that encodes weather-state evolution features as an additional conditioning for the diffusion model, together with a Variable-Aware Masked Frequency Modeling (VA-MFM) strategy that adaptively selects thresholds based on the spectral energy distribution of each variable. Together, we propose PuYun-LDM, which enhances latent diffusability and achieves superior performance to ENS at short lead times while remaining comparable to ENS at longer horizons. PuYun-LDM generates a 15-day global forecast with a 6-hour temporal resolution in five minutes on a single NVIDIA H200 GPU, while ensemble forecasts can be efficiently produced in parallel.
• Abstract（参考訳）: 高分解能(<=0.25°)アンサンブル天気予報において、潜伏拡散モデル(LDM)は、拡散過程により潜伏データ分布がいかに容易にモデル化できるかを特徴付ける。 自然画像場とは異なり、気象学分野にはタスクに依存しない基礎モデルや明示的な意味構造がなく、VFMベースの正規化は適用できない。 さらに、既存の周波数ベースのアプローチでは、均質性仮定の下でチャネル間で同一のスペクトル正則化を課し、多変量気象データのスペクトル不均一性の下で不均一な正則化強度をもたらす。 これらの課題に対処するため,各変数のスペクトルエネルギー分布に基づいて閾値を適応的に選択する可変型マスケ周波数モデリング(VA-MFM)戦略とともに,拡散モデルの付加条件として気象状態の進化特性を符号化する3次元マスケオートエンコーダ(3D-MAE)を提案する。 そこで我々は,PuYun-LDMを提案する。これは潜時拡散性を高め,短いリード時間でENSに優れた性能を示しながら,長い水平線でENSに匹敵する性能を保っている。 PuYun-LDMは1つのNVIDIA H200 GPU上で6時間の時間分解能を持つ15日間のグローバル予測を生成し、アンサンブル予測は効率的に並列に生成できる。

関連論文リスト

• Diffusion-Driven State Space Models [0.0]
  本稿では,従来のガウス遷移分布を拡散モデルに置き換えた拡散駆動状態空間モデル(DDSSM)を提案する。 OurSMは、時系列データ上でオートエンコーダと拡散モデルを共同でトレーニングする方法のオープンな問題を解決し、時系列の遅延拡散モデルに関する文献を拡張する。
  論文  参考訳（メタデータ） (2026-06-19T02:00:40Z)
• PrismFlow: Residual Dynamics for Flow Matching in Time-Series Generation [24.703364668945543]
  フローマッチングは拡散モデルに代わる効率的な代替手段を提供するが、現実的な実装は典型的には単一の有限容量大域ベクトル場推定器に依存する。 したがって、標準$ell$ベロシティマッチング目標で訓練されたモノリシックな推定器は、局所輸送場の過度に滑らかな近似を学ぶことができる。 この推定器レベルの滑らか化は分枝特異的なダイナミクスとなり、スペクトル歪みとモードカバレッジが低下する。 クープマンにインスパイアされた動的専門家による新しいFM手法であるPrismFlowを提案する。
  論文  参考訳（メタデータ） (2026-05-22T07:10:20Z)
• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• Continuous-Time Distribution Matching for Few-Step Diffusion Distillation [57.28746398500951]
  本稿では,CDM(Continuous-Time Distribution Matching)を導入し,DMDフレームワークを個別アンカーから連続最適化へ移行する。 まず、固定離散スケジュールをランダム長の動的連続スケジュールに置き換える。 第二に、学生の速度場を介して外挿された潜伏者に対してアクティブな軌道外マッチングを行う連続時間アライメント目的を提案する。
  論文  参考訳（メタデータ） (2026-05-07T14:56:39Z)
• Interpolating Discrete Diffusion Models with Controllable Resampling [49.771004594828405]
  仮面拡散モデルは初期解凍による不可逆誤差に悩まされる。 自己補正が可能であるにもかかわらず、一様拡散モデルは、しばしば低品質のサンプルを生成する。 本稿では,中間潜伏状態への依存を減らすことで拡散を改善する補間離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-04-19T07:55:57Z)
• Downscaling weather forecasts from Low- to High-Resolution with Diffusion Models [0.42709045995535977]
  我々は,アネモイフレームワーク内に実装された大域大気下降の確率的拡散に基づく手法を提案する。 このアプローチは、より微細な残差の条件分布を学習することにより、低分解能アンサンブル予測を高分解能アンサンブルに変換する。 このシステムは、ECMWF IFSから、100kmの粗い磁場を用いて、30kmの解像度で微細な変動を再現するために、再放送ペアを訓練する。
  論文  参考訳（メタデータ） (2026-03-30T09:38:36Z)
• A Decomposable Forward Process in Diffusion Models for Time-Series Forecasting [2.24303609250571]
  本稿では,スペクトル成分に信号を分解する時系列予測のためのモデルに依存しない前方拡散プロセスを提案する。 成分エネルギーに応じてノイズ注入を行うことで、主周波数に対する高信号対雑音比を維持する。 本稿では,フーリエ変換やウェーブレット変換などのスペクトル分解手法を適用することにより,拡散モデルにより連続的に改善されることを示す。
  論文  参考訳（メタデータ） (2026-01-29T14:55:43Z)
• FOD-Diff: 3D Multi-Channel Patch Diffusion Model for Fiber Orientation Distribution [48.932538822216436]
  単殻低角分解能dMRI(LAR-FOD)からFODを推定するのに対し、多殻高角分解能dMRI(HAR-FOD)からFODを推定するには長い走査時間が必要である。 LAR-FODからHAR-FODを予測するための3次元マルチチャネルパッチ拡散モデルを提案する。 提案手法は,HAR-FOD予測における最高の性能を達成し,他の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2025-12-18T01:51:05Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Operator Flow Matching for Timeseries Forecasting [2.406359246841227]
  既存の自己回帰と拡散に基づくアプローチは、長い、物理的に一貫した予測を制限する累積誤差や離散化アーチファクトに悩まされることが多い。 本研究では、FNO誤差の上限を証明し、チャネル折り畳みによるスパース条件付けを利用した潜時流マッチングモデルであるTempOを提案する。
  論文  参考訳（メタデータ） (2025-10-16T19:40:56Z)
• Controlling Ensemble Variance in Diffusion Models: An Application for Reanalyses Downscaling [0.0]
  本研究では,拡散段数を変化させることで,拡散拡散インプリシットモデルがアンサンブルの分散を制御できることを実証する。 本研究では,ERA5-to-CERRA領域全体に対するアンサンブル拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-21T15:02:57Z)
• Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data [55.54827581105283]
  本研究では, 吸収拡散の具体的なスコアを, クリーンデータの条件付き確率として表すことができることを示す。 時間に依存しない条件付き確率を特徴付ける時間条件のない専用拡散モデルを提案する。 5つのゼロショット言語モデルベンチマークにおける拡散モデル間のSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-06-06T04:22:11Z)
• Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion Probabilistic Models [58.357180353368896]
  本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。 我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
  論文  参考訳（メタデータ） (2023-01-10T13:15:42Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• First Hitting Diffusion Models [19.19644194006565]
  First Hitting Diffusion Models (FHDM) は、ランダムな最初のヒット時間で終了する拡散プロセスでデータを生成する。 品質と速度の両面で、最先端のアプローチと比較して、かなりの改善が見られた。
  論文  参考訳（メタデータ） (2022-09-02T17:01:32Z)

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。