論文の概要: ForcingDAS: Unified and Robust Data Assimilation via Diffusion Forcing
- arxiv url: http://arxiv.org/abs/2605.14285v1
- Date: Thu, 14 May 2026 02:34:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.586873
- Title: ForcingDAS: Unified and Robust Data Assimilation via Diffusion Forcing
- Title（参考訳）: ForcingDAS: 拡散強制による統一的でロバストなデータ同化
- Authors: Yixuan Jia, Siyi Chen, Yida Pan, Xiao Li, Lianghe Shi, Chanyong Jung, Haijie Yuan, Ismail Alkhouri, Yue Cynthia Wu, Saiprasad Ravishankar, Jeffrey A Fessler, Qing Qu,
- Abstract要約: 我々は、統一的で堅牢なデータ同化フレームワークForcingDASを紹介する。
ForcingDASはフレーム間遷移の代わりに、ジョイント軌道を学習する。
我々は,2次元ナビエ-ストークス渦性,降水流,大域大気状態推定におけるForcingDASの評価を行った。
- 参考スコア（独自算出の注目度）: 24.41363445015799
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data assimilation (DA) estimates the state of an evolving dynamical system from noisy, partial observations, and is widely used in scientific simulation as well as weather and climate science. In practice, filtering methods rely on frame-to-frame transition models. However, these models are fragile when observations are non-Markovian (when they form only a partial slice of a higher-dimensional latent state as in real-world weather data): they tend to accumulate errors over long horizons. At the same time, learned DA methods typically commit to a single regime, either filtering (nowcasting, real-time forecasting) or smoothing (retrospective reanalysis), which splits what should be a shared prior across application-specific pipelines. To address both issues, we introduce ForcingDAS, a unified and robust DA framework. Built on Diffusion Forcing with an independent noise level assigned to each frame, ForcingDAS learns a joint-trajectory prior instead of frame-to-frame transitions. This allows it to capture long-horizon temporal dependencies and reduce error accumulation. In addition, the same trained model spans the full filtering to smoothing spectrum at inference time. Specifically, nowcasting, fixed-lag smoothing, and batch reanalysis are selected through the inference schedule alone, without retraining. We evaluate ForcingDAS on 2D Navier-Stokes vorticity, precipitation nowcasting, and global atmospheric state estimation. Across all settings, a single model is competitive with or outperforms both learned and classical baselines that are specialized for individual regimes, with the largest gains observed on real-world weather benchmarks.
- Abstract（参考訳）: データ同化(DA)は、ノイズや部分的な観測から進化する力学系の状態を推定し、気象や気候科学と同様に科学シミュレーションで広く用いられている。
実際には、フィルタリング手法はフレーム間遷移モデルに依存している。
しかし、これらのモデルは、観測が非マルコフ的である場合(実際の気象データのように高次元の潜伏状態の部分的なスライスを形成する場合)は脆弱である。
同時に、学習されたDAメソッドは、一般的に、フィルタリング(ノウキャスティング、リアルタイム予測)またはスムーズ化(ふりかえり再分析)という、単一のレシエーションにコミットする。
どちらの問題にも対処するため、統一的で堅牢なDAフレームワークであるForcingDASを紹介します。
各フレームに独立したノイズレベルを割り当てた拡散強制(Diffusion Forcing)に基づいて構築されたForcingDASは、フレーム間遷移の代わりにジョイント軌道を学習する。
これにより、長期の時間的依存関係をキャプチャし、エラーの蓄積を減らすことができる。
さらに、同じトレーニングされたモデルは、完全なフィルタリングから推論時のスペクトルの平滑化にまたがる。
具体的には、推論スケジュールだけで、再トレーニングすることなく、現在キャスト、固定ラグスムース、バッチ再分析を選択する。
我々は,2次元ナビエ-ストークス渦性,降水流,大域大気状態推定におけるForcingDASの評価を行った。
すべての設定において、1つのモデルは、学習されたベースラインと古典的なベースラインの両方と競合し、個々のレシフィケーションに特化している。
関連論文リスト
- Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - STIPP: Space-time in situ postprocessing over the French Alps using proper scoring rules [1.887852744008007]
Space-time In situ Postprocessing (STIPP) は、ステーション位置のネットワークに対して一貫した天気予報を生成する機械学習モデルである。
トレーニングに適切なスコアリングルールを活用することで、STIPPは分散限界のみを監督する作業駆動型大気モデルに寄与する。
論文 参考訳（メタデータ） (2026-01-06T10:07:20Z) - DDTime: Dataset Distillation with Spectral Alignment and Information Bottleneck for Time-Series Forecasting [28.005308500582405]
時系列予測は多くの領域で基本となっているが、正確なモデルを訓練するには大規模なデータセットと計算資源が必要となることが多い。
本稿では,一階凝縮分解に基づく軽量・プラグイン蒸留フレームワークDDTimeを提案する。
DDTimeは既存の蒸留法を一貫して上回り、約30%の精度向上を実現し、約2.49%の計算オーバーヘッドを導入した。
論文 参考訳（メタデータ） (2025-11-20T16:50:09Z) - 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) - WaveGNN: Modeling Irregular Multivariate Time Series for Accurate Predictions [3.489870763747715]
実世界の時系列は、しばしば不整合タイムスタンプ、欠落したエントリ、可変サンプリングレートなどの不規則性を示す。
既存のアプローチは、しばしばバイアスを生じさせる計算に頼っている。
本稿では,不規則にサンプリングされた時系列データを埋め込んで正確な予測を行う新しいフレームワークWaveGNNを提案する。
論文 参考訳（メタデータ） (2024-12-14T00:03:44Z) - Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。
国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。
我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
論文 参考訳（メタデータ） (2024-07-29T16:25:43Z) - FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。
本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
論文 参考訳（メタデータ） (2024-02-04T08:23:41Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Deep Convolution for Irregularly Sampled Temporal Point Clouds [39.51507835155255]
不規則なサンプルで表される連続空間時間過程のダイナミクスを空間と時間の両方でモデル化する問題を検討する。
本稿では,この不規則なサンプルデータを直接学習し,予測できる新しい深層モデルを提案する。
我々は,StarCraft IIにおける実世界の気象観測データと大軍間の戦闘について実験を行った。
論文 参考訳（メタデータ） (2021-05-01T00:54:32Z) - Consistency Guided Scene Flow Estimation [159.24395181068218]
CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。
提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。
最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
論文 参考訳（メタデータ） (2020-06-19T17:28:07Z)
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。