論文の概要: OceanMoE: Structured Conditional Sparse Computation for Long-Horizon Multivariate Ocean Forecasting
- arxiv url: http://arxiv.org/abs/2609.19768v1
- Date: Thu, 17 Sep 2026 06:36:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.124511
- Title: OceanMoE: Structured Conditional Sparse Computation for Long-Horizon Multivariate Ocean Forecasting
- Title（参考訳）: OceanMoE: 長期多変量海洋予測のための構造化条件スパース計算
- Abstract要約: OceanMoEは、海洋予測のための条件付きスパース・ミックス・オブ・エクササイズ・フレームワークである。
以上の結果から,OceanMoEは,両評価条件の集合予測誤差を低くし,幾何平均正規化RMSEを,その後のロールアウト期間において対応するベースラインよりも低く維持することを示した。
- 参考スコア（独自算出の注目度）: 2.2352091609967424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate ocean forecasting must exploit shared evolution in a coupled ocean system while adapting to the heterogeneous statistical and dynamical characteristics of different prediction variables and locations. Fully shared models may lack the flexibility to handle this heterogeneity, whereas fully independent models discard the common ocean context shared across variables. The key question is how to retain shared context in a unified model while allowing computation to specialize according to the prediction target and local state. We propose OceanMoE, a structured conditional sparse Mixture-of-Experts framework that combines sharing and specialization for multivariate ocean forecasting. OceanMoE fuses cross-variable information to construct target-specific local representations and uses them to perform content-conditioned sparse routing at each spatial location, with the number of active experts adapted to router confidence. In the decoder, routing is augmented with a learned geographic bias parameterized by spherical-harmonic spatial bases, while shared residual and seasonal pathways provide common cross-variable and month-dependent context. Experiments on long-horizon autoregressive ORAS5 forecasting show that OceanMoE lowers aggregate forecasting error in both evaluated settings and maintains lower geometric-mean normalized RMSE than the corresponding baselines over most later rollout months. Routing analyses further show that expert allocation varies with prediction targets and spatial locations. These results support structured conditional computation as a modeling strategy for balancing shared ocean context with adaptive specialization.
- Abstract（参考訳）: 多変量海洋予測は、異なる予測変数と位置の不均一な統計的および動的特性に適応しながら、結合した海洋システムにおける共有進化を利用する必要がある。
完全に共有されたモデルは、この不均一性を扱う柔軟性に欠けるかもしれないが、完全に独立したモデルは、変数間で共有される共通の海洋コンテキストを捨てる。
重要な疑問は、予測対象と局所状態に応じて計算を専門化しながら、共有コンテキストを統一モデルに保持する方法である。
多変量海洋予報のための共有と専門化を組み合わせた構造化条件スパース混合実験フレームワークであるOceanMoEを提案する。
OceanMoEは、異なる変数情報を融合して、ターゲット固有のローカル表現を構築し、各空間でコンテンツ条件のスパースルーティングを実行する。
このデコーダでは、ルーティングは球面-高調波空間ベースによってパラメータ化される学習された地理的バイアスで拡張され、共有された残差経路と季節経路は共通の相互変数および月依存性のコンテキストを提供する。
長期の自己回帰型ORAS5予測実験により、OceanMoEは両方の評価条件において集合予測誤差を低くし、その後数ヶ月にわたって対応するベースラインよりも低い幾何平均正規化RMSEを維持していることが示された。
ルーティング分析により、専門家の割り当ては予測対象や空間的位置によって異なることが分かる。
これらの結果は,共用海洋環境と適応的特殊化のバランスをとるためのモデリング戦略として,構造化条件計算を支援する。
関連論文リスト
- Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。
そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。
制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
論文 参考訳（メタデータ） (2026-08-20T13:59:57Z) - SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting [0.42056926734482064]
SPACEはサンプル生成型多変量予測器のための共形ラッパーである。
現在の予測サンプル雲から直接時間-局所共分散の幾何を推定することにより楕円形の関節予測領域を構築する。
達成された関節と転がりのカバーを名目上の目標に近づける。
論文 参考訳（メタデータ） (2026-08-18T03:44:32Z) - Sampling sea state using a diffusion model [28.05527563772365]
海の状態予測は、海洋の運用と地球系の結合モデルに不可欠である。
現在のスペクトル波モデルは、多くのユースケースで計算的に禁止されている。
本研究では,大域海況推定のための拡散モデルを提案する。
論文 参考訳（メタデータ） (2026-06-24T21:19:59Z) - Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。
自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。
ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-09T09:49:13Z) - 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) - 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) - Calibrated Probabilistic Interpolation for GEDI Biomass [0.0]
本稿では,局所観測セット上での予測条件を明示する確率的メタラーニングフレームワークであるAttentive Neural Processs (ANPs)を紹介する。
本研究では,熱帯アマゾン林からボレアル,アルプスの5つの生態系にまたがるアプローチを検証した。
この研究は、大陸規模の地球観測のためのアンサンブル分散の、スケーラブルで理論的に厳密な代替手段を提供する。
論文 参考訳（メタデータ） (2026-01-23T15:35:33Z) - FuXi-Ocean: A Global Ocean Forecasting System with Sub-Daily Resolution [9.106159985605009]
FuXi-Oceanは、渦解像1/12deg空間解像度で6時間の予測を達成した最初のデータ駆動型大洋予報モデルである。
モデルアーキテクチャは、コンテキスト認識機能抽出モジュールと、スタックされた注目ブロックを用いた予測ネットワークを統合する。
FuXi-Oceanは、温度、塩分濃度、電流などの重要な変数を複数の深さにわたって予測する優れた技術を示している。
論文 参考訳（メタデータ） (2025-06-03T00:52:31Z) - Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。
本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。
STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。
様々な密集した予測タスクと多様な意味クラス予測を統一する。
論文 参考訳（メタデータ） (2025-05-18T07:39:17Z) - Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。
提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文 参考訳（メタデータ） (2022-04-14T17:59:32Z)
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。