論文の概要: Nipping the Butterfly Effect in the Bud: Self-Output Fine-Tuning for Autoregressive Weather Prediction
- arxiv url: http://arxiv.org/abs/2607.21080v1
- Date: Thu, 23 Jul 2026 09:10:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.344935
- Title: Nipping the Butterfly Effect in the Bud: Self-Output Fine-Tuning for Autoregressive Weather Prediction
- Title（参考訳）: バッド中の蝶効果のニッピング:自己回帰気象予測のための自己出力ファインチューニング
- Abstract要約: 本稿では, 理論的および経験的両視点から, 誤差成長現象を考察する。
解析の結果,出力誤差と入力分布シフトの間のフィードバックループによって成長が促進されることが判明した。
この問題を軽減するために,モデル自体のワンステップ予測を活用するプラグイン・アンド・プレイ戦略である textbfSelf-Output Fine-Tuning (SOFT) を提案する。
- 参考スコア（独自算出の注目度）: 7.601516977968089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon weather forecasting is a fundamental challenge in atmospheric science, for which autoregressive Deep Learning Weather Prediction (DLWP) has emerged as the primary paradigm. Although the autoregressive pipeline is highly scalable and flexible, its prediction errors grow rapidly over long forecasting horizons. In this work, we study this error growth phenomenon from both theoretical and empirical perspectives. Our analysis reveals that the growth is driven by a feedback loop between output errors and input distribution shifts. Specifically, the autoregressive process amplifies small initial output errors, which progressively corrupt subsequent input distributions, echoing the butterfly effect in atmospheric science and ultimately deteriorating forecasting accuracy over longer horizons. Furthermore, we show that this distributional shift originates at the earliest stage of inference, with out-of-distribution signatures detectable as early as the first autoregressive step. To mitigate this issue, we propose \textbf{Self-Output Fine-Tuning (SOFT)}, a plug-and-play strategy that leverages the model's own one-step predictions to calibrate the biased input distribution encountered at the first step. Extensive experiments demonstrate that, despite its simplicity, SOFT achieves state-of-the-art performance on long-horizon forecasting tasks and substantially reduces both prediction errors and distributional discrepancy. The success of SOFT highlights the importance of reexamining the fundamental pipeline of deep learning weather prediction, representing a critical pipeline advance for atmospheric science.
- Abstract（参考訳）: 長期の天気予報は大気科学の基本的な課題であり、自己回帰的深層学習天気予報(DLWP)が主要なパラダイムとなっている。
自己回帰パイプラインは非常にスケーラブルで柔軟性があるが、予測エラーは長期の予測地平線上で急速に増加する。
本研究では, この誤差成長現象を理論的, 経験的両面から検討する。
解析の結果,出力誤差と入力分布シフトの間のフィードバックループによって成長が促進されることが判明した。
具体的には、自己回帰プロセスは、後続の入力分布を徐々に劣化させる小さな初期出力誤差を増幅し、大気科学における蝶効果を再現し、最終的に長い地平線よりも予測精度を劣化させる。
さらに, この分布シフトは推論の初期段階に始まり, 最初の自己回帰段階から早期に分布外シグネチャを検出できることを示す。
この問題を軽減するために,モデル自体の1ステップ予測を利用して,第1ステップで発生するバイアスのある入力分布をキャリブレーションするプラグイン・アンド・プレイ戦略である 'textbf{Self-Output Fine-Tuning (SOFT) を提案する。
大規模な実験では、その単純さにもかかわらず、SOFTは長距離予測タスクにおける最先端のパフォーマンスを達成し、予測誤差と分布不一致の両方を著しく低減することを示した。
SOFTの成功は、深層学習の天気予報の基本的なパイプラインを再検討することの重要性を強調しており、大気科学にとって重要なパイプラインの進展を表している。
関連論文リスト
- A Hybrid LSTM--Vision Transformer Architecture for Predicting HRRR Forecast Errors [0.0]
我々は、表面観測から時間的シーケンス学習とニューヨーク州立大学メソネット・プロファイラネットワークからの大気プロファイルを組み合わせたLSTM-Vision Transformer (LSTM-ViT) フレームワークを開発した。
本研究は,モデルバイアスと予測信頼度に関する予測指標を改良した。
論文 参考訳（メタデータ） (2026-06-17T12:51:46Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Towards Scaling Law Analysis For Spatiotemporal Weather Data [50.25336689856158]
単一ステップのトレーニング損失から長期ロールアウトやチャネル単位のメトリクスまで,自動回帰天気予報のためのニューラルスケーリング分析を拡張した。
プールドスケーリングは望ましいように見えるが、多くのチャネルは遅延リードで劣化する。
本稿では,重み付け対象,地平線対応カリキュラム,出力間の資源配分について論じる。
論文 参考訳（メタデータ） (2026-04-06T18:14:53Z) - From Observations to States: Latent Time Series Forecasting [65.98504021691666]
本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。
具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。
提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
論文 参考訳（メタデータ） (2026-01-30T20:39:44Z) - 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) - 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) - Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳（メタデータ） (2023-12-06T19:46:06Z) - Performative Time-Series Forecasting [64.03865043422597]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
降雨予測のための自己注意型拡張畳み込み機構を提案する。
実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。
提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
論文 参考訳（メタデータ） (2022-01-31T18:16:03Z)
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。