論文の概要: Stochastically Perturbed Weights: Ensembles from Deterministic Machine-Learning Weather Models

• arxiv url: http://arxiv.org/abs/2609.08412v1
• Date: Tue, 08 Sep 2026 08:18:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.617443
• Title: Stochastically Perturbed Weights: Ensembles from Deterministic Machine-Learning Weather Models
• Title（参考訳）: 確率的に摂動した重量:決定論的機械学習気象モデルからのアンサンブル
• Abstract要約: 多くの機械学習気象モデル(MLWM)は決定論的であり、その不確実性を見積もることなく単一の予測を生成する。 訓練された確率的なモデルの家族は、専用トレーニングランの価格で、キャリブレーションされたアンサンブルを直接生成します。 我々は、すでに存在する決定論的チェックポイントから、どの程度の不確実性を取り出すことができるのかを、再訓練することなく尋ねる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning weather models (MLWMs) now match or outperform operational numerical weather prediction (NWP) at global medium-range forecasting, at far lower inference cost. Many deployed MLWMs are deterministic, producing a single forecast with no estimate of its own uncertainty, whereas a growing family of trained-probabilistic models generate calibrated ensembles directly, at the price of a dedicated training run. We ask instead how much uncertainty can be extracted from a deterministic checkpoint that already exists, without retraining it. Where physical ensembles represent model uncertainty by stochastically perturbing parametrisation tendencies, we perturb the network's raw weight tensors at inference time, a scheme we call stochastically perturbed weights (SPW). We also ask whether it works, where and on which scales to inject the noise, and where it fails. A three-phase ablation across four deterministic backbones, Aurora, GraphCast, SFNO, and AIFS, selects one production baseline per model, benchmarked against the trained-probabilistic AIFS-ENS, FourCastNet 3 and Atlas as well as the operational ECMWF ensemble (IFS-ENS) over 112 initialisation times. At a 240 h (10-day) lead time the SPW ensembles reach continuous ranked probability skill scores (CRPSS) between 0.04 and 0.13 below the best trained-probabilistic baseline, at zero marginal training cost. No injection site works across models: the productive tensor group is architecture-specific, so SPW is at present a tuning procedure rather than a plug-and-play recipe. Its main failure mode is a coherent whole-field offset that overdisperses the domain mean, and restricting the noise to coarse scales or perturbing the initial conditions each repair part of it.
• Abstract（参考訳）: 機械学習天気モデル(MLWMs)は、世界中距離予測において、はるかに低い推論コストで、運用数値天気予報(NWP)に適合または優れる。 多くの展開されたMLWMは決定論的であり、その不確かさを見積もることなく単一の予測を生成する一方、訓練された確率論的モデルは、専用トレーニングランの価格で直接キャリブレーションされたアンサンブルを生成する。 代わりに、すでに存在する決定論的チェックポイントから、それを再訓練することなく、どの程度の不確実性を取り出すことができるのかを尋ねる。 物理アンサンブルは、確率論的摂動傾向によってモデル不確実性を表現し、推論時にネットワークの生の重みテンソルを摂動する。 また、それが機能するかどうか、どのスケールでノイズを注入するか、どこで失敗するのかについても尋ねます。 4つの決定論的バックボーン(Aurora、GraphCast、SFNO、AIFS)にわたる3フェーズのアブレーションは、トレーニングされた確率的AIFS-ENS、FourCastNet 3、Atlas、および運用中のECMWFアンサンブル(IFS-ENS)を112回の初期化時間でベンチマークしたモデル毎の1つの生産ベースラインを選択する。 240 h(10日)のリードタイムでSPWアンサンブルは0.04から0.13までの連続的なランクの確率スキルスコア(CRPSS)に達する。 生産的なテンソル群はアーキテクチャ固有のものであるので、SPWは現在、プラグイン・アンド・プレイのレシピではなくチューニング手順である。 その主な障害モードは、ドメイン平均を過度に分散するコヒーレント全フィールドオフセットであり、ノイズを粗いスケールに制限し、その各修復部の初期条件を乱す。

関連論文リスト

• Model-Aware Schedules Improve Generation via Fiberwise Optimal Transport [1.1014388269312267]
  拡散および流れマッチングスケジュールは、アフィン確率経路に沿ってデータとノイズを混合する信号と雑音係数を制御する。 ファイバーワイド最適輸送に基づくモデル認識型スケジュール構築を提案する。 我々は,予測対象,トレーニング構成,リスク推定チェックポイント,データセット,アーキテクチャ間のDDPMとフローマッチングを評価した。
  論文  参考訳（メタデータ） (2026-09-10T17:30:44Z)
• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Timestep-Conditioned Transformers for Global Weather Forecasting [1.7632505349721652]
  我々は,多段階の明示的推論によるトレードオフに対処する確率的グローバル気象モデルGEM-3を提案する。 トレーニングされた1組のウェイトで、予測可能性とユーザビリティのバランスをとるために、モデルタイムステップを推論時に設定することができる。 混合時間ステップトレーニングは、タイムステップ・スペシャリストモデルと比較してロールアウト安定性を継続的に改善する。
  論文  参考訳（メタデータ） (2026-08-06T16:27:54Z)
• Conformal Prediction for Neural Operators: Distribution-Free Uncertainty Quantification in Physics Simulation [0.0]
  ニューラル演算子に基づく物理シミュレーションにおける分割共形予測の最初の適用法を提案する。 本手法は,α=0.1のターゲットレベルで89.1%の経験的カバレッジを実現する。 提案手法はREST APIエンドポイントとインタラクティブな3Dビジュアライゼーションを備えたオープンソースプラットフォームで実装されている。
  論文  参考訳（メタデータ） (2026-06-07T08:52:38Z)
• Federated Martingale Posterior Samping [28.76805404959501]
  フェデレートされたベイズニューラルネットワークは、モデルパラメータの事前を、可能性とともに修正する必要がある。 予測モデルの急速な進歩により、マーチンゲール後部は予測ベイズ(英: predictive Bayes)とも呼ばれ、予測分布に置き換えられる。 このレターでは、フェデレーションマーチンゲール後部サンプリング(FMP)を提案する。これは、クライアントがトレーニング可能なデータの小さなセットをアップロードし、サーバが予測サンプルを集中的に実行する、ワンショットの恥ずかしい並列プロトコルである。
  論文  参考訳（メタデータ） (2026-05-18T15:33:18Z)
• Amortized Predictability-aware Training Framework for Time Series Forecasting and Classification [10.816479922364097]
  時系列予測 (TSF) と時系列分類 (TSC) の双方に対して, 一般的なアモータイズ予測可能性を考慮したトレーニングフレームワーク (APTF) を提案する。 APTFは2つの重要な設計を導入し、予測可能性の低いモデルから適切な学習をしながら、モデルが高い予測可能性のサンプルに集中できるようにする。
  論文  参考訳（メタデータ） (2026-02-18T06:59:05Z)
• Controllable Probabilistic Forecasting with Stochastic Decomposition Layers [1.3995263206621]
  本稿では、決定論的機械学習気象モデルをアンサンブルシステムに変換するための分解層(SDL)を提案する。 SDLは3つのデコーダスケールでの学習摂動を、潜在駆動変調、画素ごとのノイズ、チャネルスケーリングを通じて適用する。 転送学習を通じてWXFormerに適用する場合、SDLはベースラインモデルをトレーニングするために必要な計算コストの2%未満を必要とする。
  論文  参考訳（メタデータ） (2025-12-21T17:10:00Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。