論文の概要: Stable Attention Response for Reliable Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2605.13181v1
• Date: Wed, 13 May 2026 08:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.920928
• Title: Stable Attention Response for Reliable Precipitation Nowcasting
• Title（参考訳）: 安定型降雨予報のための安定的注意応答
• Authors: Penghui Wen, Zexin Hu, Sen Zhang, Patrick Filippi, Xiaogang Zhu, Allen Benter, Thomas Bishop, Zhiyong Wang, Kun Hu,
• Abstract要約: 注意応答エネルギーのクロスサンプル不安定性は、信頼性の低い予測の重要かつ未発見の源である。 HARECastは,降水量抑制のためのヘッドワイド・アテンション・レスポンシブ・エネルギ規制フレームワークである。
• 参考スコア（独自算出の注目度）: 28.226421152582464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precipitation nowcasting remains challenging due to the highly localized, rapidly evolving, and heterogeneous nature of atmospheric dynamics. Although recent methods increasingly adopt attention-based architectures in both unimodal and multimodal settings, they mainly emphasize stronger representation learning and prediction capacity, while paying less attention to the stability of attention responses across samples. In this work, we show that cross-sample instability of attention-response energy is an important and previously underexplored source of forecasting unreliability. Empirically, inaccurate forecasts are associated with larger attention-response energy variance across heads and layers. Theoretically, we show that cross-sample variability can propagate through self-attention, and enlarge a lower bound on prediction error. Based on this insight, we propose HARECast, a Head-wise Attention Response Energy-regulated framework for precipitation nowcasting. HARECast explicitly models head-wise attention-response energy and stabilizes it through a group-wise regularization objective that reduces cross-sample fluctuations. The proposed formulation is generic and applicable to both unimodal and multimodal nowcasting architectures. We instantiate HARECast in a standard forecasting pipeline with reconstruction branches and a diffusion-based predictor, and evaluate it on commonly used benchmarks--SEVIR and MeteoNet. Experimental results demonstrate that HARECast achieves state-of-the-art performance.
• Abstract（参考訳）: 降水は今なお、高度に局所化され、急速に進化し、大気力学の異質な性質のために困難である。 近年の手法では、単調・マルチモーダルの両方で注目に基づくアーキテクチャを採用する傾向にあるが、主に、より強力な表現学習と予測能力を強調しつつ、サンプル間の注意応答の安定性に注意を払っていない。 本研究では,注意応答エネルギーのクロスサンプル不安定性が,信頼性の低い予測源であることを示す。 実験的に、不正確な予測は、頭と層の間に大きな注意応答エネルギーのばらつきと関連している。 理論的には、クロスサンプル変動は自己注意を通じて伝播し、予測誤差の低い境界を拡大できることを示す。 この知見に基づき, 降水量抑制のためのヘッドワイド・アテンション・レスポンシブ・エネルギ規制フレームワークであるHARECastを提案する。 HARECastは、頭回りの注意応答エネルギーを明示的にモデル化し、グループ回りの正則化目標を通じて安定化することで、クロスサンプルの変動を減少させる。 提案した定式化は汎用的であり、ユニモーダルおよびマルチモーダルの nowcasting アーキテクチャにも適用可能である。 我々は,HARECastを再構成分岐と拡散に基づく予測器を備えた標準的な予測パイプラインでインスタンス化し,一般的なベンチマークであるSEVIRとMeteoNetで評価する。 実験結果から,HARECastは最先端の性能を達成することが示された。

関連論文リスト

• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching [0.0]
  本研究では,コンディショナルフローマッチング(CFM)を降水処理に適用する最初のモデルであるFlowCastを紹介する。 拡散とは異なり、CFMは直接ノイズ・ツー・データマッピングを学習し、機能評価が大幅に少ない高速かつ高忠実なサンプル生成を可能にする。 実験の結果,FlowCastは予測精度で新たな最先端技術を確立していることがわかった。
  論文  参考訳（メタデータ） (2025-11-12T20:40:34Z)
• 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)
• SimCast: Enhancing Precipitation Nowcasting with Short-to-Long Term Knowledge Distillation [15.244330283621247]
  正確な放送は、災害管理、農業、輸送、エネルギー最適化など、様々な社会的ニーズに対処する上で最も重要である。 我々は,短時間から長期の知識蒸留技術と重み付きMSE損失を併用し,豪雨地域を優先する新たな訓練パイプラインであるSimCastを提案する。 SimCastは、決定論的予測を生成するため、さらに拡散に基づくフレームワークCasCastに統合し、確率モデルからの強みを活用して、決定論的出力の曖昧さや分布シフトといった制限を克服する。
  論文  参考訳（メタデータ） (2025-10-09T08:49:16Z)
• ScenGAN: Attention-Intensive Generative Model for Uncertainty-Aware Renewable Scenario Forecasting [11.600987173982107]
  本稿では,再生可能エネルギーとディープラーニングの領域における不確実性について考察する。 不確実性認識モデルは、再生可能シナリオ予測のために慎重に設計されている。 処理層における気象情報、予報、歴史的軌跡の統合により、相乗的予測能力が向上する。
  論文  参考訳（メタデータ） (2025-09-21T15:18:51Z)
• DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
  降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。 従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。 本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T11:26:32Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• Bias in Pruned Vision Models: In-Depth Analysis and Countermeasures [93.17009514112702]
  ニューラルネットワークのパラメータのかなりの部分集合をゼロに設定するプルーニングは、モデル圧縮の最も一般的な方法の1つである。 この現象の既存の証拠にもかかわらず、ニューラルネットワークのプルーニングと誘導バイアスの関係はよく理解されていない。
  論文  参考訳（メタデータ） (2023-04-25T07:42:06Z)

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。