論文の概要: PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting

• arxiv url: http://arxiv.org/abs/2605.08935v2
• Date: Wed, 13 May 2026 07:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 17:13:58.823398
• Title: PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting
• Title（参考訳）: PnP-Corrector: 同時時空間予測のための普遍的補正フレームワーク
• Authors: Hao Wu, Fan Xu, Yuxu Lu, Penghao Zhao, Fan Zhang, Hao Jia, Yuxuan Liang, Ruijian Gou, Qingsong Wen, Xian Wu, Xiaomeng Huang, Yuan Gao,
• Abstract要約: 既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
• 参考スコア（独自算出の注目度）: 62.22445401483844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coupled spatiotemporal forecasting is important for predicting the future evolution of multiple interacting dynamical systems, such as in climate models. However, existing methods are severely constrained by the persistent bottleneck of compounding errors. In coupled systems, errors from each subsystem simulator propagate and amplify one another, a phenomenon we term Reciprocal Error Amplification, leading to a rapid collapse of long-range predictions. To address this challenge, we propose a universal framework called PnP-Corrector (Plug-and-Play Corrector). The core idea of our framework is to decouple the physical simulation from the error correction process: it freezes pre-trained physics simulation engines and exclusively trains a correction agent to proactively counteract the systematic biases emerging from the coupled system. Furthermore, we design an efficient predictive model architecture, DSLCast, to serve as the backbone of this framework. Extensive experiments demonstrate that our method significantly enhances the long-term stability and accuracy of coupled forecasting systems. For instance, in the challenging task of a 300-day global ocean-atmosphere coupled forecast, our PnP-Corrector framework reduces the prediction error of the baseline model by 29% and surpasses state-of-the-art models on several key metrics.
• Abstract（参考訳）: 結合時空間予測は、気候モデルのような複数の相互作用する力学系の将来の進化を予測するために重要である。 しかし、既存の手法は複雑なエラーの持続的ボトルネックによって厳しく制約されている。 結合系では、各サブシステムシミュレータの誤差が互いに伝播し増幅する現象、すなわち、相互誤差増幅(Reciprocal Error Amplification)と呼ばれ、長距離予測が急速に崩壊する。 そこで本稿では,PnP-Corrector (Plug-and-Play Corrector) と呼ばれるユニバーサルフレームワークを提案する。 このフレームワークの中核となる考え方は、物理シミュレーションを誤り訂正プロセスから切り離すことであり、事前訓練された物理シミュレーションエンジンを凍結し、結合系から生じる系統的バイアスを積極的に防止する修正剤を専用に訓練する。 さらに、このフレームワークのバックボーンとして機能するために、効率的な予測モデルアーキテクチャであるDSLCastを設計します。 大規模な実験により,本手法は結合予測システムの長期的安定性と精度を著しく向上させることが示された。 PnP-Correctorフレームワークは,300日間のグローバルな海洋大気結合予測の課題において,ベースラインモデルの予測誤差を29%削減し,いくつかの重要な指標の最先端モデルを上回っます。

関連論文リスト

• An ALE-Consistent Graph Neural Operator-Transformer Framework for Fluid-Structure Interaction [0.0]
  本稿では,非構造化メッシュの変形予測のための任意のラグランジアン・エレリアン(ALE)一貫性機械学習フレームワークを提案する。 このフレームワークは、シリンダーの起動時のフレキシブルビーム振動のベンチマーク問題である。
  論文  参考訳（メタデータ） (2026-05-01T03:36:18Z)
• Barrier-enforced multi-objective optimization for direct point and sharp interval forecasting [1.0966260566122237]
  本稿では,単一ニューラルネットワークモデルを用いた多段階確率予測フレームワークを提案する。 我々のアプローチは、ターゲットカバレッジ確率(PICP)を厳密に満たしたモデル構造設計により、非交差予測間隔(PI)を保証する。 その結果, 提案した損失は, PI幅が最も狭い対象範囲を達成し, 現行文献よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-04-20T16:43:12Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• 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)
• Enhanced accuracy through ensembling of randomly initialized auto-regressive models for time-dependent PDEs [0.0]
  機械学習モデルによる自己回帰推論は、連続した予測よりもエラーの蓄積に悩まされ、長期的な精度が制限される。 この課題に対処するために,複数のMLサロゲートモデルを並列にトレーニングし,推論中に集約するディープアンサンブルフレームワークを提案する。 我々はPDEを駆動する3つの力学系 - 不均一なミクロ組織における応力の進化、グレイ・スコット反応拡散、惑星規模の浅層水系 - の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-07-05T02:25:12Z)
• 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)
• Thermalizer: Stable autoregressive neural emulation of spatiotemporal chaos [32.51861730498945]
  本研究では, 自己回帰エミュレータのロールアウトを安定化するために, 無変量尺度のスコアを暗黙的に推定できることを示す。 本研究では,このモデルを用いて自動回帰ロールアウトの安定化を図ることができることを示す。
  論文  参考訳（メタデータ） (2025-03-24T14:38:33Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。