論文の概要: Residual-Guided Multi-Resolution Refinement of Foundation Models: A Case Study in Drought Forecasting

• arxiv url: http://arxiv.org/abs/2607.17507v1
• Date: Mon, 20 Jul 2026 03:29:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.489562
• Title: Residual-Guided Multi-Resolution Refinement of Foundation Models: A Case Study in Drought Forecasting
• Title（参考訳）: 基礎モデルの残留型マルチリゾリューションリファクション:干ばつ予測を事例として
• Abstract要約: RGMR(Residual-Guided Multi-Resolution Refinement, Residual-Guided Multi-Resolution Refinement, RGMR)は, 事前学習した基礎モデルを用いて, バックボーンパラメータを更新することなく, 気候予測のための構造的粗粒度改善を行う。 SPEI (Standardized Precipitation Evapopiration Index) を用いた干ばつ予測に応用すると,RGMRはサイトごとの評価を行った3つのTSFMバックボーンに対してアーキテクチャに依存しない。
• 参考スコア（独自算出の注目度）: 26.173260602322383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regional climate prediction presents unique challenges for time series foundation models, which typically process temporal patterns through single-pass inference. Expert climatologists, in contrast, employ multi-scale temporal analysis and iterative refinement based on systematic error diagnosis. We present RGMR (Residual-Guided Multi-Resolution Refinement), an inference-time framework that adapts pre-trained foundation models to perform structured coarse-to-fine refinement for climate forecasting without updating backbone parameters. Applied to drought forecasting using the Standardized Precipitation Evapotranspiration Index (SPEI), RGMR is architecture-agnostic across the three TSFM backbones evaluated per site (TimesFM, TimeGPT, TabPFN) and consistently lowers test-set MSE on three South Australian sites and three additional regions outside South Australia. Applied to TimesFM, the wrapper reduces one-month-ahead SPEI MSE by up to 18.9\% across the three South Australian sites (mean reduction $\approx$18.7\%). Overall, RGMR provides a practical route for deploying frozen TSFMs in regional climate forecasting workflows.
• Abstract（参考訳）: 地域気候予測は時系列基礎モデルに固有の課題を示し、通常は単一パス推論を通じて時間パターンを処理する。 対照的に、専門家気候学者は、系統的エラー診断に基づいて、多段階の時間的分析と反復的改善を採用する。 RGMR(Residual-Guided Multi-Resolution Refinement, Residual-Guided Multi-Resolution Refinement, RGMR)は, 事前学習した基礎モデルを用いて, バックボーンパラメータを更新することなく, 気候予測のための構造的粗粒度改善を行う。 SPEI(Standardized Precipitation Evapopiration Index)を用いた干ばつ予測に応用すると、RGMRは各サイト(TimesFM、TimeGPT、TabPFN)で評価されたTSFMバックボーンのアーキテクチャに依存しず、南オーストラリア3か所と南オーストラリア3か所でテストセットMSEを一貫して低下させる。 TimesFMによると、このラッパーは南オーストラリア3か所で1ヶ月のSPEI MSEを最大18.9 %まで下げる(平均減額は18.7 %)。 全体として、RGMRは、地域気候予測ワークフローに凍ったTSFMをデプロイするための実用的なルートを提供する。

関連論文リスト

• PCSDiff: Diffusion-Based Bias Correction and Super Resolution Toward Practical Operational Medium-Term Precipitation Forecast [14.16711168258894]
  既存のAI補正技術には、マルチデイダイナミックバイアス進化と適切な気象制約のための専用のモデリングがない。 本研究は,10日間の降水バイアス補正とダウンスケーリングを対象とするタスク分離拡散フレームワークであるPCSDiffを紹介する。
  論文  参考訳（メタデータ） (2026-09-07T02:24:57Z)
• Lightweight Wrappers for Adapting Time Series Foundation Models to Regional Drought Forecasting [26.173260602322383]
  Large emphTime Series Foundation Models (TSFM) は、さまざまなドメインにわたる強力なゼロショット予測機能を示している。 我々は,凍結したTSFMを推論時に強化する軽量なブラックボックス適応フレームワークを提案する。 我々は,南オーストラリア各地におけるSPEI(Standardized Precipitation Evapopiration Index)予測を1カ月前に評価した。
  論文  参考訳（メタデータ） (2026-07-20T03:36:15Z)
• Improvements to the post-processing of weather forecasts using machine learning and feature selection [0.0]
  本研究の目的は,降水量,温度,風速予測のための機械学習に基づく後処理モデルの開発と改良である。 対象地を囲む格子点からの気象変数を入力特徴として取り入れ,相関解析に基づく特徴選択を適用することにより,LightGBMモデルによるRMSEの低下が確認された。 降水量はゼロの場合が多いため,ツイーディに基づく損失関数と,降水予測のためのイベント重み付きトレーニング戦略も検討した。
  論文  参考訳（メタデータ） (2026-04-21T11:17:29Z)
• 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)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS [0.410492188035848]
  本研究では,拡散に基づくディープラーニング(DL)フレームワークを,入力源のみが異なる3つの残差予測戦略を体系的に比較する。 予測は1kmの空間解像度で生成され、1時間の直接予測から始まり、自動回帰ロールアウトを使用して12時間まで延長される。
  論文  参考訳（メタデータ） (2025-12-09T19:23:27Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Distributional Regression U-Nets for the Postprocessing of Precipitation Ensemble Forecasts [0.0]
  グリッド型降水アンサンブル予測のためのグローバル統計後処理手法を提案する。 このU-Netベースの分布回帰法は,スコアリングルール最小化によって推定されるパラメトリック分布の形で,限界分布を予測する。
  論文  参考訳（メタデータ） (2024-07-02T10:16:04Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• PCT-CycleGAN: Paired Complementary Temporal Cycle-Consistent Adversarial Networks for Radar-Based Precipitation Nowcasting [3.4956929165638764]
  本稿では,レーダを用いた降水流のための相補的時間周期一貫性対向ネットワーク (PCT-CycleGAN) を提案する。 PCT-CycleGANは画像間翻訳において高い性能を示す。 反復予測で最大2時間の信頼性のある予測を提供する。
  論文  参考訳（メタデータ） (2022-11-28T04:08:55Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。