論文の概要: Scalable Uncertainty Quantification for Extreme Weather Forecasting via Empirical Neural Tangent Kernels

• arxiv url: http://arxiv.org/abs/2606.02886v2
• Date: Wed, 03 Jun 2026 03:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 17:40:41.611822
• Title: Scalable Uncertainty Quantification for Extreme Weather Forecasting via Empirical Neural Tangent Kernels
• Title（参考訳）: 経験的ニューラルタンジェントカーネルによる極端気象予測のためのスケーラブル不確実性定量化
• Authors: Jose Marie Antonio Miñoza, Rex Gregor Laylo, Sebastian C. Ibañez,
• Abstract要約: ディープラーニングの天気モデルでは、数値的な天気予報の精度が向上し、桁違いの精度が向上した。 しかし、不確実性予測のない決定論的予測は、極度の気象イベントにおける高い意思決定に重要なギャップである。 本稿では,最後の層的経験的特徴を用いたニューラル・タンジェント・カーネルに基づく不確実性定量化(NTK-UQ)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning weather models now match numerical weather prediction accuracy while running orders of magnitude faster, but produce deterministic forecasts without uncertainty estimates, a critical gap for high-stakes decisions during extreme weather events. This paper proposes Neural Tangent Kernel-based uncertainty quantification (NTK-UQ) using last-layer empirical features. Theoretical analysis predicts that UQ quality is architecture-dependent through two mechanisms. First, a variance collapse mechanism explains when UQ fails: when the eigenvalue truncation rank approaches the effective rank of the feature space, the GP correction term consumes nearly all prior variance, destroying discrimination between tropical cyclones and routine conditions; architectures with concentrated spectra (spectral operators) require aggressive truncation ($k \leq 10$), while attention-based models tolerate full-rank computation. Second, decomposition performance depends on the non-Gaussian, heavy-tailed structure of extreme weather: Independent Component Analysis exploits higher-order statistics (kurtosis, negentropy) to isolate heavy-tailed extreme-event features, achieving higher discrimination than singular value decomposition, which captures only second-order variance. A data-driven selection rule chooses ICA or SVD from the feature eigenspectrum concentration ratio, correctly prescribing the superior decomposition for all four evaluated architectures. Compared to split conformal prediction (the natural post-hoc baseline), NTK-UQ achieves 31--37\% sharper prediction intervals at 90\% coverage, and uniquely produces \emph{adaptive} intervals that scale with extreme event severity, which conformal prediction cannot achieve by construction. The framework requires no retraining; inference-time uncertainty requires only a single matrix-vector product per sample.
• Abstract（参考訳）: ディープラーニング気象モデルは、桁違いの精度で数値的な天気予報を精度良く行うことができるが、不確実性予測のない決定論的予測を生成する。 本稿では,最後の層的経験的特徴を用いたニューラル・タンジェント・カーネルに基づく不確実性定量化(NTK-UQ)を提案する。 理論的解析は、UQの品質は2つのメカニズムを通してアーキテクチャに依存していると予測する。 固有値のトランケーションランクが特徴空間の有効ランクに近づくと、GP補正項は、ほぼすべての事前分散を消費し、熱帯のサイクロンとルーチン条件の識別を破壊する;集中スペクトル(スペクトル演算子)を持つアーキテクチャは攻撃的なトランケーション(k \leq 10$)を必要とする; 注意に基づくモデルはフルランク計算を許容する。 独立成分分析(Independent Component Analysis)は、高次統計(クルトシス、ネゲントロピー)を利用して、高次極端点の特徴を分離し、特異値分解よりも高い識別を達成し、2次差のみをキャプチャする。 データ駆動選択規則は、特徴固有スペクトル濃度比からICAまたはSVDを選択し、4つの評価されたアーキテクチャすべてに対して優れた分解を正しく規定する。 NTK-UQはスプリットコンフォメーション予測(自然なポストホックベースライン)と比較して、90 %のカバレッジで31--37 %のシャープな予測間隔を達成し、コンフォメーション予測は構築によって達成できない極端な事象重大さでスケールする 'emph{adaptive' 間隔を独自に生成する。 推論時間の不確実性は、サンプル毎に1つの行列ベクトル積だけを必要とする。

関連論文リスト

• PixelFlowCast: Latent-Free Precipitation Nowcasting via Pixel Mean Flows [3.219438344967702]
  本稿では,2段階の確率予測フレームワークであるPixelFlowCastを提案する。 公開されているSEVIRデータセットの実験では、PixelFlowCastは予測精度と推論効率の両方で、既存の主流メソッドよりも優れています。
  論文  参考訳（メタデータ） (2026-05-11T06:16:02Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• RI-Loss: A Learnable Residual-Informed Loss for Time Series Forecasting [13.117430904377905]
  時系列予測は、過去のデータから将来の値を予測することに依存する。 MSEには2つの根本的な弱点がある:そのポイントワイドエラーは時間的関係を捉えるのに失敗し、データに固有のノイズを考慮しない。 我々は,Hilbert-Schmidt Independence Criterion(HSIC)に基づく新たな目的関数であるResidual-Informed Loss(RI-Loss)を紹介する。
  論文  参考訳（メタデータ） (2025-11-13T09:36:00Z)
• Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series [1.0874100424278175]
  半導体製造における異常予測には いくつか重要な課題があります 変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では,異常検出から異常予測まで,新たな2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:33:52Z)
• 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)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)

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。