論文の概要: PACT: Peak-Aware Cross-Attention Graph Transformers for Efficient Storm-Surge Emulation

• arxiv url: http://arxiv.org/abs/2605.09036v1
• Date: Sat, 09 May 2026 16:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.03535
• Title: PACT: Peak-Aware Cross-Attention Graph Transformers for Efficient Storm-Surge Emulation
• Title（参考訳）: PACT: 効率的なストームサージエミュレーションのためのピーク対応クロスアテンショングラフ変換器
• Abstract要約: 駅レベルのストームサージ予測を効率的に行うために,ピーク対応のクロスアテンショングラフ変換器であるPACTを提案する。 PACTは、各フォースパッチをグラフとして表現し、GraphSAGEで空間構造をエンコードし、学習されたステーションクエリを使用してノード情報を集約する。 米国北東部海岸沿いの干潮帯のステーションでは、RMSEとMAEの双方で強い時間的グラフニューラルネットワークのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 2.2700970936022244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and efficient storm-surge emulation is essential for coastal hazard assessment, yet high-fidelity hydrodynamic models remain too expensive for large scenario ensembles and rapid evaluation under heterogeneous climate forcings. We present PACT, a peak-aware cross-attention graph transformer for efficient station-level storm-surge prediction from atmospheric forcing fields. PACT represents each forcing patch as a graph, encodes spatial structure with GraphSAGE, and uses a learned station query to aggregate node information through cross-attention rather than uniform pooling. A Transformer encoder models temporal dependence across the forcing history, and a horizon-query decoder generates lead-specific forecasts from a shared temporal memory. To better capture extreme events, we introduce a peak-aware learning strategy that couples a lightweight auxiliary peak-aware head with a tailored training objective, including a tail-focused loss on peak-dominated samples and a horizon-wise slope regularizer to encourage coherent multi-step evolution. Across multiple tide-gauge stations along the US Northeast coast, PACT outperforms a strong spatio-temporal graph neural network baseline in both RMSE and MAE. Diagnostics show improved peak fidelity and tail preservation for reanalysis and most CMIP6 datasets. PACT is also computationally efficient, requiring about 3.5~s to generate a full winter-season surge trajectory for one year after training. Under distribution shift across five CMIP6 forcings, PACT transfers well within the CMIP6 family but degrades markedly when transferring from reanalysis to climate-model forcings, highlighting a persistent reanalysis--GCM gap.
• Abstract（参考訳）: 沿岸域の危険度評価には高精度で効率的なストームサージエミュレーションが不可欠であるが, 大規模なシナリオアンサンブルや不均一な気候条件下での迅速な評価には高忠実度流体力学モデルが高すぎる。 我々は,大気中の強制力場から効率的に局レベルストームサージ予測を行うために,ピーク対応のクロスアテンショングラフトランスフォーマであるPACTを提案する。 PACTは、各強制パッチをグラフとして表現し、GraphSAGEで空間構造をエンコードし、学習されたステーションクエリを使用して、一様プールではなく、クロスアテンションを通じてノード情報を集約する。 Transformerエンコーダは、強制履歴全体にわたる時間依存性をモデル化し、水平線クエリデコーダは共有時間メモリからリード固有の予測を生成する。 極端事象をよりよく捉えるために,ピーク優先試料の尾焦点損失や水平方向傾斜正則化器など,軽量な補助ピーク認識ヘッドと調整訓練目標を結合したピーク認識学習戦略を導入し,コヒーレントな多段階進化を促す。 米国北東部海岸沿いの複数の干潮帯の局で、PACTはRMSEとMAEの双方で強力な時空間グラフニューラルネットワークのベースラインを上回っている。 診断では、ピーク忠実度と尾部保存が改善し、再分析およびほとんどのCMIP6データセットが得られた。 PACTは計算効率も良く、訓練後1年間、冬季のサージ軌道の完全な生成に約3.5~sを要する。 5つのCMIP6フォーシングの分布シフトの下では、PACTはCMIP6ファミリー内では良好に転移するが、再分析から気候モデルフォーシングへの移行時に顕著に低下し、持続的な再解析-GCMギャップが強調される。

関連論文リスト

• KFTD: Koopman-Fourier Time-Differentiable Network for Continuous Ocean Spatiotemporal Forecasting [29.65266366119026]
  時相連続2段階パラダイムであるKFTD(Time-Differentiable Network)を提案する。 軽量残留ネットワークは、最終予測を得るために高忠実度中間状態を消費する。 拡散モデルとは異なり、KFTDDEはマルチステップノイズをサンプリングし、連続的にシステムを進化させ、4つの計算スピードアップをもたらす。
  論文  参考訳（メタデータ） (2026-06-06T03:53:39Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting [2.405586180193259]
  気象レーダー観測による対流降雨の短距離予測は、厳しい気象警報に不可欠である。 本稿では, 入力, アーキテクチャ, 損失関数レベルにおいて, 気象インフォームド設計による制限に対処する決定論的0-2時間放送フレームワークIMPA-Netを提案する。
  論文  参考訳（メタデータ） (2026-04-27T09:30:07Z)
• FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
  既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。 本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。 まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。 第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:00:58Z)
• MMWSTM-ADRAN+: A Novel Hybrid Deep Learning Architecture for Enhanced Climate Time Series Forecasting and Extreme Event Prediction [0.0]
  Anomaly-Driven Recurrent Attention Network Plus (MMWSTM-ADRAN+) を用いたマルチモード気象状態遷移モデルを提案する。 MMWSTMは双方向Long-Term Memory (BiLSTM)ユニットと学習可能なマルコフ状態遷移行列を組み合わせることで、共光スケール気象条件の変化を捉える。 2番目のストリームであるADRANは、双方向Gated Recurrent Units (BiGRUs)、マルチヘッド自己アテンション、および新しい異常増幅層を統合し、低確率信号に対する感度を高める。
  論文  参考訳（メタデータ） (2025-11-17T14:31:54Z)
• A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction [5.657115189763182]
  本稿では,PCA-PR-Seq2Seq-Adam-LSTMと呼ばれるハイブリッドディープラーニングフレームワークを提案する。 主成分分析(PCA)、Poisson Regression(PR)、Sequence-to-Sequence(Seq2Seq)アーキテクチャ、Adam-Optimized LSTMを統合している。 その結果,提案手法は既存手法と比較して予測精度とロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-20T17:13:25Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
  PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。 PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
  論文  参考訳（メタデータ） (2025-02-27T22:21:27Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Upscaling Global Hourly GPP with Temporal Fusion Transformer (TFT) [0.0]
  グロース・プライマリ・生産性は気候変動のイニシアチブを評価するのに不可欠である。 推定値は現在、わずかに分散した渦状共分散塔の場所からのみ入手可能である。 本研究では、TFT(Temporal Fusion Transformer)を用いた新しいアップスケーリングソリューションについて検討した。
  論文  参考訳（メタデータ） (2023-06-23T23:29:05Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)

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。