論文の概要: FLUXtrapolation: A benchmark on extrapolating ecosystem fluxes
- arxiv url: http://arxiv.org/abs/2605.19812v1
- Date: Tue, 19 May 2026 13:09:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.358183
- Title: FLUXtrapolation: A benchmark on extrapolating ecosystem fluxes
- Title（参考訳）: FLUXtrapolation: エコシステムフラックスの外挿に関するベンチマーク
- Authors: Anya Fries, Jacob A Nelson, Martin Jung, Markus Reichstein, Jonas Peters,
- Abstract要約: FLUXトラポーレーション(FLUXtrapolation)は、生態系のフラックスを、徐々に難しい分布シフトの下で外挿するためのベンチマークである。
FLUXtrapolationは、フラックスアップスケーリングに関するドメインの専門知識に基づいて設計されている。
- 参考スコア（独自算出の注目度）: 5.783209075645275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce FLUXtrapolation, a benchmark for extrapolating ecosystem fluxes under progressively harder distribution shifts. Ecosystem fluxes are central to understanding the carbon, water, and energy cycles, yet they can only be measured directly at sparsely located measurement towers. Producing global flux estimates therefore requires training models on observed sites using globally available covariates and predicting in unobserved regions, that is, upscaling. Flux upscaling is a challenging domain generalization problem that is affected by a shift in covariate distribution across climates, ecosystem types, and environmental conditions, as well as by conditional shift: important drivers remain unobserved at global scale. We provide a quantitative analysis of both these shifts in $P_X$ and $P_{Y\mid X}$. FLUXtrapolation is designed based on domain expertise on flux upscaling: it defines temporal, spatial, and temperature-based extrapolation scenarios and evaluates performance across held-out domains, temporal aggregations, and tail errors. In a pilot study, we find that baselines perform similarly under median hourly RMSE, but separate under the proposed tail-focused and multi-scale evaluation. FLUXtrapolation therefore poses a realistic and thus relevant challenge for machine learning methods under distribution shift; at the same time, progress on this benchmark would directly support the scientific goal of improving flux upscaling.
- Abstract（参考訳）: FLUXトラポーレーション(FLUXtrapolation)は、生態系のフラックスを、徐々に難しい分布シフトの下で外挿するためのベンチマークである。
生態系のフラックスは、炭素、水、エネルギーのサイクルを理解するのに中心的であるが、これらはわずかに位置した測定塔でのみ直接測定できる。
したがって、グローバルフラックス推定を作成するには、グローバルに利用可能な共変量を用いて観測された場所でのトレーニングモデルと、観測されていない地域での予測、すなわち上向きなスケーリングが必要である。
フラックスアップスケーリング(英: Flux Upscaling)は、気候、生態系タイプ、環境条件における共変量分布の変化と条件シフトによって影響される領域一般化問題である。
P_X$ と $P_{Y\mid X}$ の両方のシフトを定量的に分析する。
FLUXトラポーレーションは、フラックスアップスケーリングに関するドメインの専門知識に基づいて設計されており、時間的、空間的、および温度に基づく外挿シナリオを定義し、保持領域、時間的アグリゲーション、テールエラーのパフォーマンスを評価する。
パイロットスタディでは、ベースラインは平均時給のRMSEでも同様に機能するが、提案したテールフォーカスとマルチスケールの評価では分離されている。
したがって、FLUXトランポレーションは、分散シフト中の機械学習手法に現実的で関連性の高い課題を生じさせる。
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) - FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting [15.10103712842682]
本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークフレームワークFuXiWeather2を提案する。
FuXiWeather2は、高解像度(0.25円)のグローバル分析フィールドと10日間の予測を数分で生成する。
これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。
論文 参考訳（メタデータ） (2026-03-16T14:36:47Z) - Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes [1.3663949573259215]
既存のデータ駆動のアップスケーリング製品は、観測されたドメインを超えて一般化できないことが多い。
表象学習(TAM-RL)を用いたタスク・アウェア・モジュレーション(タスク・アウェア・モジュレーション)について紹介する。
TAM-RLは既存の最先端データセットと比較して予測性能を改善する。
論文 参考訳（メタデータ） (2026-03-10T17:59:29Z) - Role-Aware Conditional Inference for Spatiotemporal Ecosystem Carbon Flux Prediction [32.547109051574836]
Role-Aware Inference (RACI)は、条件付きエコシステムのフラックス予測を条件付き問題として定式化するプロセスインフォームド学習フレームワークである。
これらの異なる機能的役割を明示的にモデル化することにより、RACIはモデルが様々な環境体制にまたがって予測を適応させることができる。
論文 参考訳（メタデータ） (2026-03-03T21:29:20Z) - DFPO: Scaling Value Modeling via Distributional Flow towards Robust and Generalizable LLM Post-Training [94.568675548967]
実環境における訓練強化学習(RL)システムは、ノイズの多い監視とドメイン外の一般化が不十分なため、依然として困難である。
近年の分布RL法は、複数の量子点を持つ値をモデル化することでロバスト性を向上させるが、スカラーとして各量子点を独立に学習する。
DFPOは、時間ステップをまたいだ連続フローとして値をモデル化する、ロバストな分散RLフレームワークである。
論文 参考訳（メタデータ） (2026-02-05T17:07:42Z) - Calibrating Geophysical Predictions under Constrained Probabilistic Distributions [4.760743517243988]
我々は,正規化に基づくキャリブレーションアルゴリズムと,機械学習予測を強化するためにKSD(Kernelized Stein Discrepancy)を導入する。
これはポイントワイズ予測を鋭くするだけでなく、物理原理に根ざした非局所統計構造との整合性も強要する。
論文 参考訳（メタデータ） (2025-11-28T07:15:40Z) - 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) - Deep Learning Surrogates for Real-Time Gas Emission Inversion [6.14441531828484]
過渡的な大気環境下での温室効果ガス排出量のリアルタイム同定と定量化は、環境モニタリングにおいて重要な課題である。
本稿では,モンテカルロシーケンシャルアルゴリズムを組み込んだディープラーニング計算流体力学(CFD)フレームワークを提案する。
高忠実度CFD出力で訓練された多層パーセプトロンを用いてコストの高い数値計算器を置換することにより、サロゲートは、ほぼリアルタイムな予測を行いながら、空間的不均一性とガス分散の時間的進化を捉える。
論文 参考訳（メタデータ） (2025-06-17T15:03:21Z) - Wild-Time: A Benchmark of in-the-Wild Distribution Shift over Time [69.77704012415845]
時間的シフトは、現実世界にデプロイされた機械学習モデルのパフォーマンスを著しく低下させる可能性がある。
ドメイン一般化、連続学習、自己教師付き学習、アンサンブル学習の手法を含む13の先行手法をベンチマークする。
いずれの評価方略も,分布外データから分布外データへの平均的な性能低下を観察する。
論文 参考訳（メタデータ） (2022-11-25T17:07:53Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳（メタデータ） (2020-02-21T00:27:52Z)
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。