論文の概要: AGCD: Agent-Guided Cross-Modal Decoding for Weather Forecasting
- arxiv url: http://arxiv.org/abs/2603.15260v1
- Date: Mon, 16 Mar 2026 13:27:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 18:28:58.316409
- Title: AGCD: Agent-Guided Cross-Modal Decoding for Weather Forecasting
- Title（参考訳）: AGCD:気象予報のためのエージェントガイド型クロスモーダルデコード
- Authors: Jing Wu, Yang Liu, Lin Zhang, Junbo Zeng, Jiabin Wang, Zi Ye, Guowen Li, Shilei Cao, Jiashun Cheng, Fang Wang, Meng Jin, Yerong Feng, Hong Cheng, Yutong Lu, Haohuan Fu, Juepeng Zheng,
- Abstract要約: Agent-Guided Cross-Modal Decoding (AGCD) は、プラグイン・アンド・プレイのプリインジェクションのパラダイムである。
状態条件の物理プライヤを生成するための多エージェント気象ナレーションパイプラインを設計する。
また、領域対応マルチスケールトークン化と効率的な物理-プライアーインジェクションを行うクロスモーダルな領域間相互作用デコーディングも導入する。
- 参考スコア（独自算出の注目度）: 29.582978733703687
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate weather forecasting is more than grid-wise regression: it must preserve coherent synoptic structures and physical consistency of meteorological fields, especially under autoregressive rollouts where small one-step errors can amplify into structural bias. Existing physics-priors approaches typically impose global, once-for-all constraints via architectures, regularization, or NWP coupling, offering limited state-adaptive and sample-specific controllability at deployment. To bridge this gap, we propose Agent-Guided Cross-modal Decoding (AGCD), a plug-and-play decoding-time prior-injection paradigm that derives state-conditioned physics-priors from the current multivariate atmosphere and injects them into forecasters in a controllable and reusable way. Specifically, We design a multi-agent meteorological narration pipeline to generate state-conditioned physics-priors, utilizing MLLMs to extract various meteorological elements effectively. To effectively apply the priors, AGCD further introduce cross-modal region interaction decoding that performs region-aware multi-scale tokenization and efficient physics-priors injection to refine visual features without changing the backbone interface. Experiments on WeatherBench demonstrate consistent gains for 6-hour forecasting across two resolutions (5.625 degree and 1.40625 degree) and diverse backbones (generic and weather-specialized), including strictly causal 48-hour autoregressive rollouts that reduce early-stage error accumulation and improve long-horizon stability.
- Abstract（参考訳）: 正確な天気予報はグリッドワイド・レグレッション以上のものであり、特に小さなワンステップ誤差が構造バイアスを増幅する自己回帰的なロールアウトにおいて、コヒーレントな合成構造と気象場の物理的整合性を維持する必要がある。
既存の物理プライヤのアプローチでは、アーキテクチャや正規化、NWP結合などを通じて、グローバルで1度限りの制約を課し、デプロイ時の状態適応性やサンプル固有の制御性に制限を設けている。
このギャップを埋めるために, エージェントガイド型クロスモーダルデコーディング (AGCD) を提案する。これは, 現在の多変量大気から状態条件の物理プリアーを導出し, 制御可能かつ再利用可能な方法で予測器に注入する, プラグ&プレイ・デコード・プレインジェクションのパラダイムである。
具体的には, MLLMを用いて, 種々の気象要素を効果的に抽出し, 状態条件の物理プライヤを生成するためのマルチエージェント気象ナレーションパイプラインを設計する。
先例を効果的に適用するために、AGCDはさらに、バックボーンインターフェースを変更することなく、領域対応のマルチスケールトークン化と効率的な物理プリアーズインジェクションを行うクロスモーダル領域相互作用デコーディングを導入している。
ウェザーベンチの実験では、2つの解像度(5.625度と1.40625度)と多様なバックボーン(遺伝子と気象の特殊化)にまたがる6時間の予測において、厳密に因果的な48時間の自動回帰ロールアウトを含む一貫した利得を示す。
関連論文リスト
- Real-Time Proactive Anomaly Detection via Forward and Backward Forecast Modeling [0.0]
本稿では,前向き予測モデル (FFM) と後向き再構成モデル (BRM) の2つの前向きな異常検出フレームワークを紹介する。
FFMは破壊を予想する将来のシーケンスを予測し、BRMは将来の状況から最近の歴史を再構築し、初期の前駆体を明らかにする。
我々のモデルは連続的および離散的多変量特徴の両方をサポートし、実環境における堅牢な性能を実現する。
論文 参考訳（メタデータ） (2026-02-12T03:57:41Z) - Attention-Enhanced Convolutional Autoencoder and Structured Delay Embeddings for Weather Prediction [0.5729426778193397]
本研究は,短距離気象予測のための効率的なリダクション・オーダー・モデリング(ROM)フレームワークを提案する。
大規模な計算リソースを必要とする最近のAI駆動モデルとは異なり、我々のフレームワークは適切な精度を確保しながら効率を優先する。
論文 参考訳（メタデータ） (2025-11-16T16:53:27Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting [15.342825336354876]
我々は,グローバル気象予測のための適応ロールアウト型マルチスケールルーティング手法であるARROWを提案する。
モデル内では、Shared-Private Mixture-of-Expertsは、時間スケールにわたる大気力学の共有パターンと特定の特性の両方をキャプチャする。
第2に、現在の気象状況に応じて最適な時間間隔を選択する強化学習に基づく適応的なロールアウトスケジューラを開発する。
論文 参考訳（メタデータ） (2025-10-10T14:00:59Z) - UMDATrack: Unified Multi-Domain Adaptive Tracking Under Adverse Weather Conditions [73.71632291123008]
各種の悪天候条件下での高品質な目標状態予測を行うUMDATrackを提案する。
私たちのコードはhttps://github.com/Z-Z188/UMDATrack.comから入手可能です。
論文 参考訳（メタデータ） (2025-07-01T10:43:57Z) - Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。
ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである
2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-06-24T21:44:31Z) - ClimateLLM: Efficient Weather Forecasting via Frequency-Aware Large Language Models [13.740208247043258]
天気予報の基礎モデルであるClimateLLMを提案する。
時間的および空間横断的な協調フレームワークを通じて、時間的依存関係をキャプチャする。
周波数分解と大言語モデルを統合し、空間的および時間的モデリングを強化する。
論文 参考訳（メタデータ） (2025-02-16T09:57:50Z) - OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。
動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。
動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文 参考訳（メタデータ） (2025-02-01T06:49:16Z) - FATE: Focal-modulated Attention Encoder for Multivariate Time-series Forecasting [0.0]
気候は、海面の上昇、氷河の融解、ますます極端な気候パターンなど、21世紀の最も急進的な世界的な課題の1つである。
正確な予測はこれらの現象を監視し、緩和戦略を支援するために重要である。
CNN、RNN、アテンションベースのトランスフォーマーなど、最近の時系列予測のためのデータ駆動モデルでは、依存関係と限定並列化に苦戦している。
本研究は,時系列予測のための修正注意文(FATE)を提示する。
論文 参考訳（メタデータ） (2024-08-21T04:40:18Z) - 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) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z)
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。