論文の概要: Do AI Forecast Ensembles Sample the Correct Conditional Distribution?

• arxiv url: http://arxiv.org/abs/2608.08954v1
• Date: Sun, 09 Aug 2026 23:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.003585
• Title: Do AI Forecast Ensembles Sample the Correct Conditional Distribution?
• Title（参考訳）: AI予測は正しい条件分布のサンプルをアンサンブルするのか?
• Abstract要約: 我々は,米国東海岸の干潟8地点で,確率的海底海水準予測のための拡散モデルを訓練した。 その結果,各駅における正の技量とリードタイムの正の技量と,共同空間構造が気候学的なドローよりも悪いことが判明した。
• 参考スコア（独自算出の注目度）: 0.3538763598295922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensemble forecasting aims to sample the conditional distribution of outcomes; whether AI forecast ensembles do this correctly in a joint sense remains largely untested. We train a diffusion model for probabilistic subseasonal coastal sea level forecasts at eight US East Coast tide gauge stations, with sea level derived from reanalysis, and find that marginal and joint forecast quality decouple: positive skill at every station and lead time marginally, while joint spatial structure is worse than climatological draws. A shuffle-based permutation decomposition reveals this failure is invisible to the energy score but detected by the variogram score. Lorenz-96 experiments across 0.7-170 equivalent years show the gap persists regardless of training volume and is reproduced by a linear baseline, indicating structural inadequacy of the learned distribution. A dynamical ensemble does not replicate the failure while a deterministic emulator does, suggesting it is specific to learned emulators rather than ensemble forecasting generally.
• Abstract（参考訳）: アンサンブル予測は、結果の条件分布をサンプリングすることを目的としており、AI予測アンサンブルが共同感覚でこれを正しく行うかどうかは、まだほとんど検証されていない。 本研究は,米国東海岸の干潟8地点における確率的海底海水準予測の拡散モデルと,再解析から得られた海水準と,各地点における正のスキルとリードタイムの2つの限界および共同予測品質を学習し,共同空間構造は気候学的ドローよりも劣っていることを示した。 シャッフルベースの置換分解により、この故障はエネルギースコアには見えないが、ヴァリグラムスコアによって検出される。 0.7-170の等価年におけるロレンツ-96実験は、トレーニング体積に関係なくギャップが持続し、線形ベースラインで再現され、学習された分布の構造的不適切さを示す。 動的アンサンブルは、決定論的エミュレータが実行している間に失敗を再現しないため、一般にアンサンブル予測よりも学習エミュレータに特有であることが示唆される。

関連論文リスト

• When Individually Calibrated Models Become Collectively Miscalibrated [3.556355987197792]
  本研究では,個別に調整した予測器が戦略的に相互作用した場合に集団的に誤判定されることを示す。 正の相関関係を持つブライアスコアに基づくアグリゲーションでは、各エージェントの個別に最適なレポートは、正のクラス確率を体系的に過小評価する。 対照的に、VCGベースのアグリゲーションは、限界貢献に報いることでインセンティブを調整し、支配的な戦略的なインセンティブ互換性とほぼ最適のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T05:25:16Z)
• RareCP: Regime-Aware Retrieval for Efficient Conformal Prediction [11.259098206661077]
  本稿では適応型コンフォーマル時系列予測のためのレギュレーション対応検索手法であるRareCPを紹介する。 RareCPはコサイン・アテンションの専門家の混合を通して局所的なキャリブレーション表現を学習する。 符号付き残基上に重み付き共形量子が形成され、非対称な予測間隔が生じる。
  論文  参考訳（メタデータ） (2026-05-09T10:12:07Z)
• Trustworthy predictive distributions for rare events via diagnostic transport maps [3.2309187092212936]
  予測系が完全な予測分布を提供するとしても、結果はすべての x と y に対して校正されることはめったにない。 本稿では,与えられた予測分布を,有用だが潜在的に不特定なベースモデルとして扱う。 そこで我々は,キャリブレーションデータの真の条件分布に合うように,ベースモデルの確率をどのように調整すべきかを定量化する,診断トランスポートマップ,共依存確率-確率マップを導入する。
  論文  参考訳（メタデータ） (2026-03-11T18:55:34Z)
• Flow-Based Conformal Predictive Distributions [1.2691047660244335]
  微分可能な非整合性スコアは、軌道が対応する共形予測集合の境界に収束する出力空間上の決定論的フローを誘導することを示す。 これにより、任意の次元の共形境界をサンプリングする計算効率が良く、トレーニング不要な手法が導かれる。 我々は, PDE逆問題, 降水ダウンスケーリング, 気候モデルデバイアス, ハリケーン軌道予測に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-02-07T17:26:50Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• 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)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。