論文の概要: Skillful Global Ocean Emulation and the Role of Correlation-Aware Loss

• arxiv url: http://arxiv.org/abs/2604.18727v1
• Date: Mon, 20 Apr 2026 18:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.420837
• Title: Skillful Global Ocean Emulation and the Role of Correlation-Aware Loss
• Title（参考訳）: 巧妙な海洋エミュレーションと相関認識損失の役割
• Authors: Niraj Agarwal, Timothy A. Smith, Sergey Frolov, Laura C. Slivinski,
• Abstract要約: 我々は、GraphCastアーキテクチャを、所定の大気条件によって駆動される専用海洋専用エミュレータに適応し、中距離予測を行う。 24時間の時間ステップ, 単一初期条件, 自己回帰トレーニングを使わずに, 10～15日のリードタイムを正確に予測するエミュレータを作成した。 また,提案した相関認識損失は,大洋の緩やかで相関的な力学の統計力学正則化剤として機能することを示した。
• 参考スコア（独自算出の注目度）: 0.36165327398913766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning emulators have shown extraordinary skill in forecasting atmospheric states, and their application to global ocean dynamics offers similar promise. Here, we adapt the GraphCast architecture into a dedicated ocean-only emulator, driven by prescribed atmospheric conditions, for medium-range predictions. The emulator is trained on NOAA's UFS-Replay dataset. Using a 24 hour time step, single initial condition, and without using autoregressive training, we produce an emulator that provides skillful forecasts for 10-15 day lead times. We further demonstrate the use of Mahalanobis distance as loss that improves the forecast skill compared to the Mean Squared Error loss by explicitly accounting for the correlations between tendencies of the target variables. Using spatial correlation analysis of the forecasted fields, we also show that the proposed correlation-aware loss acts as a statistical-dynamical regularizer for the slow, correlated dynamics of the global oceans, offering a better background forecast for downstream tasks like data assimilation.
• Abstract（参考訳）: 機械学習エミュレータは、大気状態を予測する素晴らしいスキルを示しており、そのグローバルな海洋力学への応用は、同様の約束を提供する。 そこで我々は,GraphCastアーキテクチャを,所定の大気条件によって駆動される専用海洋専用エミュレータに適応させ,中距離予測を行う。 エミュレータはNOAAのUFS-Replayデータセットでトレーニングされる。 24時間の時間ステップ, 単一初期条件, 自己回帰トレーニングを使わずに, 10～15日のリードタイムを正確に予測するエミュレータを作成した。 さらに,目標変数の傾向の相関を明示的に考慮し,平均二乗誤差損失と比較して予測スキルを向上させる損失としてマハラノビス距離を用いることを実証した。 また, 予測されたフィールドの空間的相関解析を用いて, 提案した相関認識損失が, 大洋の緩やかで相関的なダイナミクスの統計力学正則化として機能し, データ同化のような下流タスクの背景予測に優れることを示した。

関連論文リスト

• FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting [15.10103712842682]
  本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークフレームワークFuXiWeather2を提案する。 FuXiWeather2は、高解像度(0.25円)のグローバル分析フィールドと10日間の予測を数分で生成する。 これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。
  論文  参考訳（メタデータ） (2026-03-16T14:36:47Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)

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。