論文の概要: From Short Histories to Long Futures: Horizon-Aware Graph Neural Networks for Long Horizon Forecasting

• arxiv url: http://arxiv.org/abs/2605.29952v1
• Date: Thu, 28 May 2026 13:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.370895
• Title: From Short Histories to Long Futures: Horizon-Aware Graph Neural Networks for Long Horizon Forecasting
• Title（参考訳）: 短歴史から長未来へ:長い水平予測のための水平対応グラフニューラルネットワーク
• Authors: Zesheng Liu, Maryam Rahnemoonfar,
• Abstract要約: ディープニューラルネットワークは効率的なエミュレータとして機能するが、その多くは次のステップの予測のためにトレーニングされている。 本稿では,現在の状態から将来の複数のリードタイムへの状態遷移を学習するマルチホライゾングラフニューラルネットワークエミュレータを提案する。 Pine Island Glacier シミュレーション実験により,本手法は長距離精度の向上と安定性の向上を図っている。
• 参考スコア（独自算出の注目度）: 1.6114012813668932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate long-range prediction of geophysical systems is difficult due to strongly nonlinear dynamics, the high computational cost of full-physics simulations, and the error accumulation that arise when one-step autoregressive surrogates are rolled out over decades. Deep neural network can serve as efficient emulators, but most are trained only for next-step prediction and often drift or become unstable as the forecast horizon grows. We propose a multi-horizon graph neural network emulator that learns state-to-state transitions from a single current time to multiple future lead times within one unified model. The physical domain is represented as a graph, where nodes correspond to spatial locations with time-varying geophysical attributes and edges encode local spatial interactions. Given the current graph state, the model predicts the future evolution of key fields, ice thickness and ice velocities at all nodes, using a shared graph backbone with separate output branches for each target variable. To improve stability, the network predicts state increments relative to the current state, which are then added back to reconstruct future states. Training jointly optimizes all lead times with a unified regression objective, and inference uses a coarse-to-fine rollout that advances with larger jumps and selectively refines with shorter jumps to reduce drift and avoid redundant computation. Experiments on multi-decadal Pine Island Glacier simulations show that our approach achieves higher long-range accuracy and improved stability than both (i) an initial-state baseline that predicts each future time directly from the starting state and (ii) a standard single-step autoregressive rollout, producing a more reliable emulator for downstream climate and sea-level studies.
• Abstract（参考訳）: 物理系の正確な長距離予測は、強い非線形力学、フル物理シミュレーションの計算コストが高いこと、そして1段階の自己回帰サロゲートが何十年にもわたって展開されたときに発生する誤差の蓄積によって困難である。 ディープニューラルネットワークは効率的なエミュレータとして機能するが、ほとんどの場合、次のステップの予測のためにのみ訓練され、予測水平線が大きくなるにつれて、しばしばドリフトまたは不安定になる。 本稿では,1つの統一モデルにおいて,状態から状態への遷移を1つの現在の時間から複数未来のリード時間に学習するマルチホライゾングラフニューラルネットワークエミュレータを提案する。 物理領域はグラフとして表現され、ノードは時間的に異なる物理特性を持つ空間的位置に対応し、エッジは局所的な空間的相互作用を符号化する。 現在のグラフ状態を考えると、各ターゲット変数ごとに別々の出力分岐を持つ共有グラフバックボーンを用いて、キーフィールド、氷厚、氷速度の将来の進化を予測する。 安定性を向上させるため、ネットワークは現在の状態に対する状態インクリメントを予測し、将来の状態を再構築するために追加する。 トレーニングは、統一された回帰目標ですべてのリードタイムを共同で最適化し、推論は粗いロールアウトを使用して、大きなジャンプで前進し、より短いジャンプで選択的に洗練し、ドリフトを低減し、冗長な計算を避ける。 多次元パインアイランド氷河シミュレーションの実験により、我々の手法は長距離精度が向上し、双方よりも安定性が向上することが示された。 (i)開始状態から各将来の時刻を直接予測する初期状態ベースライン (II) 標準の単段自動回帰ロールアウトで、下流気候と海面研究のためのより信頼性の高いエミュレータを生産する。

関連論文リスト

• A Structure-Preserving Graph Neural Solver for Parametric Hyperbolic Conservation Laws [1.988145627448243]
  本稿では,古典的数値原理をグラフニューラルネットワーク(GNN)でブリッジする,解釈可能な構造保存型グラフニューラルネットワークを提案する。 Arbitrary High-order DERivativesスキームにインスパイアされた我々は、メッセージパッシングGNNを高次時空予測器として再キャストする。 ニューラルソルバは、強いサロゲートベースラインと比較して、長軸ロールアウト安定性と精度に優れる。
  論文  参考訳（メタデータ） (2026-04-17T01:45:54Z)
• Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
  連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。 CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。 このモデルでは,数値解法よりも高速な推定が可能である。
  論文  参考訳（メタデータ） (2026-03-05T09:39:44Z)
• Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network [7.850219269698452]
  本稿では,マルチステップ列車遅延予測のための新しいXGeoAIフレームワークを開発し,評価する。 この研究の核心は、2段階の自動回帰グラフ注意ネットワーク(GAT)モデルであり、オランダの鉄道ネットワークの40%以上をカバーする実世界のデータセットでトレーニングされている。 実運用における実稼働性をテストするため,このモデルを逐次kステップ先予測プロトコルを用いて厳格に評価する。
  論文  参考訳（メタデータ） (2025-10-10T13:03:00Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
  短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。 本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。 本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
  論文  参考訳（メタデータ） (2022-02-10T13:18:11Z)
• Stochastic Recurrent Neural Network for Multistep Time Series Forecasting [0.0]
  我々は、時系列予測のための繰り返しニューラルネットワークの適応を提案するために、深部生成モデルと状態空間モデルの概念の進歩を活用する。 私たちのモデルは、すべての関連情報が隠された状態でカプセル化されるリカレントニューラルネットワークのアーキテクチャ的な動作を保ち、この柔軟性により、モデルはシーケンシャルモデリングのために任意のディープアーキテクチャに簡単に統合できます。
  論文  参考訳（メタデータ） (2021-04-26T01:43:43Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。