論文の概要: No Epoch Like the Present: Robust Climate Emulation Requires Out-of-Distribution Generalisation

• arxiv url: http://arxiv.org/abs/2605.22248v1
• Date: Thu, 21 May 2026 09:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.197088
• Title: No Epoch Like the Present: Robust Climate Emulation Requires Out-of-Distribution Generalisation
• Title（参考訳）: 今のようなエポックは不要:ロバストな気候エミュレーションはアウト・オブ・ディストリビューションの一般化を必要とする
• Authors: Bradley Stanley-Clamp, Anson Lei, Hannah M. Christensen, Ingmar Posner,
• Abstract要約: 気候変動が大気状態分布の統計的に有意かつ漸進的に増加する変化を引き起こすことを示す。 本研究では,エミュレータ用の厳密なゼロオーバーヘッドテストベッドとして季節変動を利用した新しい評価フレームワークを提案する。 我々の体系的な特徴付けは、現在の最先端のハイブリッドMLエミュレータがこれらの現実的なシフトの下で著しく劣化していることを確認する。
• 参考スコア（独自算出の注目度）: 13.032406275216557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate emulation is an out-of-distribution (OOD) projection task. This is precisely the challenge where modern Machine Learning (ML) methods are most prone to failure. Consequently, while current ML emulators trained on present climate achieve high in-distribution performance, their future reliability under the inevitable distribution shifts of a changing climate remains a critical, poorly understood blind spot. Addressing this challenge requires a fundamental shift in how we understand, evaluate, and design climate emulators. In this work, we first confirm that climate change drives a statistically significant and progressively growing shift in atmospheric state distributions, rendering standard evaluation protocols insufficient. We empirically establish that seasonal variation serves as an effective proxy for these long-term climate shifts, providing access to $\textit{real-world}$ distribution shifts without recourse to heuristics like synthetic perturbations. Motivated by this link, we introduce a novel evaluation framework that leverages seasonal shifts as a rigorous, zero-overhead testbed for emulator robustness. Our systematic characterisation confirms that current state-of-the-art hybrid-ML emulators degrade significantly under these realistic shifts. Finally, we chart a path forward by identifying compositional generalisation, the ability to form novel combinations from observed elementary components, as a principled route towards robust climate emulation. We demonstrate that physically motivated decompositions substantially improve OOD performance with only modest trade-offs against in-distribution performance, providing an avenue towards ML-driven climate emulators robust to an unknown future.
• Abstract（参考訳）: 気候エミュレーションは、アウト・オブ・ディストリビューション(OOD)プロジェクションタスクである。 これはまさに、現代の機械学習(ML)メソッドが最も失敗しがちな課題である。 その結果、現在の気候で訓練されているMLエミュレータは、高い配当性能を達成しているが、変動する気候の必然的な分布シフトの下での将来の信頼性は、重要で理解されていない盲点のままである。 この課題に対処するには、私たちがどのように気候エミュレータを理解し、評価し、設計するかを根本的に変える必要がある。 本研究では, 気候変動が大気の分布の変化を統計的に有意かつ漸進的に加速させ, 標準評価プロトコルが不十分であることを最初に確認する。 我々は、季節変動がこれらの長期的気候変動の効果的なプロキシとなり、合成摂動のようなヒューリスティックな問題に無関係に$\textit{real-world}$分布シフトにアクセスできることを実証的に証明した。 本研究では,エミュレータのロバスト性を高めるために,季節変動を厳密なゼロオーバーヘッドテストベッドとして活用する新しい評価フレームワークを提案する。 我々の体系的な特徴付けは、現在の最先端のハイブリッドMLエミュレータがこれらの現実的なシフトの下で著しく劣化していることを確認する。 最後に, 構成の一般化, 観測された基本成分から新しい組み合わせを形成する能力, を, 強靭な気候エミュレーションへの原則的経路として, より先進的な経路を図った。 我々は, 物理的に動機付けられた分解は, 配当性能に対して緩やかなトレードオフのみを伴ってOOD性能を著しく向上し, ML駆動型気候エミュレータへの道のりを未知未来に安定させることを実証した。

関連論文リスト

• Assessing the Robustness of Climate Foundation Models under No-Analog Distribution Shifts [2.4329932351753114]
  アナログのない」将来の気候状態は、歴史的トレーニングデータの実証範囲外の条件に、外部の強制がシステムを駆動する体制である。 我々は、U-Net、ConvLSTM、ClimaXファンデーションモデルという3つの最先端アーキテクチャの堅牢性を評価する。
  論文  参考訳（メタデータ） (2026-03-24T10:29:54Z)
• Toward generative machine learning for boosting ensembles of climate simulations [0.0]
  気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。 cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-06T00:54:19Z)
• Do machine learning climate models work in changing climate dynamics? [3.912757881247533]
  本研究は,様々なアウト・オブ・ディストリビューション(OOD)シナリオにおいて,最先端のMLベースの気候モデルを体系的に評価する。 大規模なデータセットの実験では、シナリオ間での顕著なパフォーマンスのばらつきが示され、現在のモデルの強度と限界に光を当てている。
  論文  参考訳（メタデータ） (2025-09-15T17:12:49Z)
• CERA: A Framework for Improved Generalization of Machine Learning Models to Changed Climates [1.205087107092304]
  気候変動下でのロバストな一般化は、気候変動科学における機械学習応用の大きな課題である。 本稿では,自動エンコーダによる機械学習フレームワークCERA(Climate-invariant climate representation through Representation)を提案する。 CERAは、+4K気候からのラベル付きデータをトレーニングすることなく、ラベル付き制御気候データとラベルなし温度気候入力を活用して、より暖かい気候への一般化を改善する。
  論文  参考訳（メタデータ） (2025-08-15T20:28:04Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
  本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。 入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2022-04-12T13:30:01Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。