論文の概要: Towards accurate extreme event likelihoods from diffusion model climate emulators

• arxiv url: http://arxiv.org/abs/2605.03802v1
• Date: Tue, 05 May 2026 14:28:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.973167
• Title: Towards accurate extreme event likelihoods from diffusion model climate emulators
• Title（参考訳）: 拡散モデル気候エミュレータによる極端事象の可能性
• Abstract要約: cBottleのような拡散モデルは、トレーニングデータの確率密度を近似することで機能する。 この気候エミュレータから得られた大気状態の確率密度推定のユースケースを示す。
• 参考スコア（独自算出の注目度）: 10.564973484324174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: ML climate model emulators are useful for scenario planning and adaptation, allowing for cost-efficient experimentation. Recently, the diffusion model Climate in a Bottle (cBottle) has been proposed for generation of atmospheric states compatible with boundary conditions of solar position and sea surface temperatures. Crucially, cBottle can be guided to generate extreme events such as Tropical Cyclones (TCs) over locations of interest. Diffusion models such as cBottle work by approximating the probability density of the training data. Here, we show use cases of the probability density estimates of atmospheric states obtained from this climate emulator. Most importantly, these estimates allow us to calculate likelihoods of extreme events under guidance. When guiding the model towards states including TCs, comparing the probability density under the guided and unguided model enables us to quantify how much more likely the guidance has made the TC. We show how these odds ratios allow us to importance-sample from the TC distribution, reducing the standard error of the probability estimate compared to simple Monte Carlo sampling. Furthermore, we discuss results and limitations of the application of model probability densities to extreme event attribution-like experiments. We present these early but encouraging results hoping they will spur more research into probabilistic information that can be gained from diffusion models of the atmosphere.
• Abstract（参考訳）: ML気候モデルエミュレータはシナリオ計画や適応に有用であり、コスト効率のよい実験を可能にする。 近年,太陽位置と海面温度の境界条件に適合する大気状態を生成するための拡散モデルであるClimate in a Bottle (cBottle) が提案されている。 重要な点として、cBottleは興味のある場所に関する熱帯サイクロン(TC)のような極端なイベントを生成するためにガイドすることができる。 cBottleのような拡散モデルは、トレーニングデータの確率密度を近似することで機能する。 ここでは、この気候エミュレータから得られた大気状態の確率密度推定のユースケースを示す。 最も重要なことは、これらの推定により、ガイダンスの下での極端な事象の確率を計算することができることである。 TCを含む状態に向けてモデルを導くとき、ガイド付きおよび誘導されていないモデルの下で確率密度を比較することで、そのガイダンスがTCにどれだけの確率を与えたかの定量化が可能である。 これらのオッズ比がTC分布から重要サンプリングを可能にし、単純なモンテカルロサンプリングと比較して確率推定の標準誤差を減少させることを示す。 さらに、モデル確率密度の極端事象帰属的実験への適用結果と限界について論じる。 大気の拡散モデルから得られる確率的情報のさらなる研究を促すことを期待して、これらの早期かつ奨励的な結果を提示する。

関連論文リスト

• Stress-Testing Dynamical and Generative Downscaling Using Subseasonal Extreme Precipitation Forecasts [0.04598714030160204]
  拡散モデルに対する気象調査・予測(WRF)モデルの評価を行った。 本研究では, 降水現象の時間的変動を動的にモデル化することで, 降水現象の時間的変化を予測できることを示す。
  論文  参考訳（メタデータ） (2026-09-10T15:21:40Z)
• Precipitation Downscaling Using Foundation Model-Conditioned Diffusion [1.1848987098427715]
  高分解能降水場は、水文学的な影響評価には不可欠であるが、地球規模の気候モデル出力は、非常に粗いため、直接の使用には偏りがある。 降水量減少に適応した拡散確率モデルに対する3つの条件付け手法について検討した。 連結条件付けは、ポイントワイドCRPSとMSEの最低値を達成するが、高強度イベントを抑制する過度に滑らかなフィールドを生成する傾向がある。 クロスアテンション条件付けは、スペクトルの忠実度を大幅に改善し、分布リアリズムを大幅に改善する。
  論文  参考訳（メタデータ） (2026-08-26T14:30:39Z)
• Regional Climate Model Emulation with Diffusion Approaches: What is the Added Value of Generative Machine Learning? [0.0]
  2段階拡散に基づく新しいフレームワークであるParamDiffusionを紹介する。 気候科学のニーズに合わせた包括的枠組みを通じて、標準検証を拡大する。 決定論的手法に対する拡散アプローチの付加価値を評価する。
  論文  参考訳（メタデータ） (2026-06-12T15:46:35Z)
• Forecasting threshold exceedance of atmospheric variables at a specific location [0.15039745292757667]
  完全分布確率法は, 極端に稀な事象に対して, 直接的手法よりも常に優れていることを示す。 この利点は、完全な分布アプローチが中等度および軽度な強度事象から条件分布のパラメータを効果的に学習するから生じる。 選択した分布のパラメトリックな形状は, バルク特性の予測可能なシフトを正確に把握するよりも, 二次的な役割を担っていることがわかった。
  論文  参考訳（メタデータ） (2026-05-29T09:46:03Z)
• Toward generative machine learning for boosting ensembles of climate simulations [0.0]
  気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。 cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-06T00:54:19Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Probabilistic Spatial Interpolation of Sparse Data using Diffusion Models [0.0]
  本研究では,1%の観測範囲から全温度場を再構成する条件付きデータ計算フレームワークを提案する。 我々は,2018-2020年夏期の午後の気温場に着目して,南大平原の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-05-26T21:19:09Z)
• Generative Modeling with Bayesian Sample Inference [50.07758840675341]
  我々は,反復的なガウス後部推論から新しい生成モデルを導出した。 我々のモデルは、未知のサンプルを反復的に絞り込むために、一連の予測と後続の更新ステップを使用する。 実験では,BFNと近縁な変分拡散モデルの両方に対して,ImageNet32のサンプル品質が向上することが実証された。
  論文  参考訳（メタデータ） (2025-02-11T14:27:10Z)
• Downscaling Precipitation with Bias-informed Conditional Diffusion Model [10.545983522538085]
  現在のグローバル気候モデルでは、局所分析には大きすぎる空間分解能で運用されている。 ディープラーニングに基づく統計的ダウンスケーリング手法は、有望なソリューションを提供する。 降水の統計的ダウンスケーリングのためのバイアスインフォームド条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-12-19T05:36:52Z)
• Self-Supervised Learning with Probabilistic Density Labeling for Rainfall Probability Estimation [16.086011448639635]
  SSLPDLはNWP予測を後処理することで降雨確率を推定するための後処理手法である。 極端気象現象のクラス不均衡に対処するために,確率密度に基づく簡単なラベル付け手法を提案する。 実験の結果,SSLPDLは地域降水後処理において,他の降水予測モデルを上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-08T05:56:09Z)
• DiffDA: a Diffusion Model for Weather-scale Data Assimilation [19.336483240566142]
  本研究では,予測状態とスパース観測を用いて大気変数を同化可能な拡散モデルとしてDiffDAを提案する。 天気予報モデルと天気予報専用拡散モデルとの類似性を認識し,事前学習したGraphCastニューラルネットワークを拡散モデルのバックボーンとして適用する。
  論文  参考訳（メタデータ） (2024-01-11T14:11:12Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
  本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。 我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-14T17:26:35Z)
• Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
  本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。 入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2022-04-12T13:30:01Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。