論文の概要: Joint distribution of upstream runoff governs downstream river-discharge prediction uncertainty in distributed ML models

• arxiv url: http://arxiv.org/abs/2607.03217v1
• Date: Fri, 03 Jul 2026 11:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.560644
• Title: Joint distribution of upstream runoff governs downstream river-discharge prediction uncertainty in distributed ML models
• Title（参考訳）: 上流流出の連成分布は分散MLモデルにおける下流河川放電予測の不確実性を制御する
• Abstract要約: この技術的注記は、確率的予測をラップから分散モデルに移行することは、特定の新しい要件をもたらす、と論じている。 ラム付き推論では、モデルが出口分布を直接予測し、流域属性からの拡散を変調することができる。 分散推論において、下流からの放電は多くの上流からの流出予測をルーティングすることで得られるので、独立した局所サンプリング平均は不確実である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification of hydrological predictions is necessary to inform operational decisions. Recent generative machine-learning methods have advanced probabilistic streamflow prediction, but have remained confined to lumped models that predict a basin outlet directly. At the same time, deterministic LSTM runoff models are increasingly applied at grid or catchment scale and routed through river networks to produce spatially continuous, physically consistent discharge fields. This technical note argues that moving probabilistic prediction from lumped to distributed models introduces a specific new requirement: the joint distribution of upstream runoff generation must be sampled jointly. In lumped inference, the model predicts the outlet distribution directly and can modulate spread from basin attributes. In distributed inference, downstream discharge is obtained by routing many upstream runoff predictions, so independent local sampling averages uncertainty away. Using Japan as a case study, we train two probabilistic basin-scale runoff LSTMs and route their runoff through a Hayami routing scheme. Randomly matching upstream ensemble members produces severely under-dispersed downstream ensembles, whereas a simple quantile matching strategy restores much of the spread of the direct basin-scale reference. The shift from lumped to distributed probabilistic hydrology therefore requires explicit attention to the spatial joint structure of runoff uncertainty.
• Abstract（参考訳）: 水文学予測の不確実性定量化は、運用上の決定を通知するために必要である。 最近の生成機械学習手法は、確率的ストリームフロー予測が先進的に進んでいるが、流域出口を直接予測するラム付きモデルに限られている。 同時に、決定論的LSTM流出モデルがグリッドやキャッチメントスケールでますます適用され、河川ネットワークを経由し、空間的に連続し、物理的に一貫した放電場を生成する。 この技術的注記は、ラッピングから分散モデルへの移動確率予測は、特定の新しい要求を導入し、上流の流出生成の連成分布を共同でサンプリングする必要があると主張している。 ラム付き推論では、モデルが出口分布を直接予測し、流域属性からの拡散を変調することができる。 分散推論において、下流からの放電は多くの上流からの流出予測をルーティングすることで得られるので、独立した局所サンプリング平均は不確実である。 日本を事例として,2つの確率的盆地スケールランオフLSTMを訓練し,それらのランオフを早見ルーティング方式でルートする。 ランダムに一致した上流アンサンブルのメンバーは、過度に分散した下流アンサンブルを生成する一方、単純な量子マッチング戦略は、直接盆地スケールの参照の拡散の多くを復元する。 そのため, 流出不確実性の空間的関節構造に顕著な注意が必要である。

関連論文リスト

• A Unified Measure-Theoretic View of Diffusion, Score-Based, and Flow Matching Generative Models [0.3222802562733787]
  本稿では,データ分布への単純な参照分布の移動に基づく連続時間生成モデリング手法について,決定論的ダイナミクスを用いて検討する。 本稿では,拡散モデル,スコアベース生成モデル,フローマッチングが時間依存ベクトル場を学習する一貫したフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T18:32:15Z)
• HydroDiffusion: Diffusion-Based Probabilistic Streamflow Forecasting with a State Space Backbone [24.321954272892338]
  HydroDiffusionは拡散に基づく確率予測フレームワークであり、デコーダのみの状態空間モデルバックボーンを備えている。 CAMELSデータセットでは、アメリカ合衆国(CONUS)の531の流域で評価されている。 その結果,観測された気象強制力により,ハイドロ拡散は強い流速精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-12-13T05:05:27Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Rectifying Distribution Shift in Cascaded Precipitation Nowcasting [1.1724961392643483]
  降水流速計は、現在のレーダー観測を活用して、高潮予報を提供することを目的としている。 局所性の発生から平均場シフトの是正を明確に結合するフレームワークであるRectiを紹介する。 2つのレーダデータセットの実験により、Rectiは既存の最先端メソッドよりも大幅にパフォーマンスが向上していることが示された。
  論文  参考訳（メタデータ） (2025-11-19T02:06:30Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Gaussian Mixture Flow Matching Models [63.092956669059824]
  拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。 離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。 本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T17:59:42Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows [4.489135297410294]
  不規則な時系列における目標の連立分布の確率論的予測モデルは、機械学習においてあまり研究されていない分野である。 MOSES(Marginalization Consistent Mixture of Separable Flows)は,複数の潜伏ガウス過程と分離可能なユニ-正規性フローの混合をパラメタライズするモデルである。 4つのデータセットの実験では、MOSESは正確な結合予測と限界予測の両方を達成し、他の余分化の基線を全て上回り、ProFITiをわずかに下回っただけで、余分分布の予測では圧倒的に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-06-11T13:28:43Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)

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。