論文の概要: Diffusion-Based Rollouts as a Stabilization Mechanism for Long-Horizon Environmental Forecasting

• arxiv url: http://arxiv.org/abs/2609.33930v1
• Date: Sun, 27 Sep 2026 21:16:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 15:34:41.74495
• Title: Diffusion-Based Rollouts as a Stabilization Mechanism for Long-Horizon Environmental Forecasting
• Title（参考訳）: 長期環境予測の安定化メカニズムとしての拡散型ロールアウト
• Abstract要約: 低次元水位時系列と高次元降水場を用いた予測のための安定化機構として拡散型ロールアウトについて検討した。 水位実験では、ロールアウトが外部予測情報へのアクセスを失うと、予測は徐々にイベントレベルの忠実度を失う。 ロールアウト全体を通して数値気象予報から条件を保った降水実験では、拡散は空間構造と事象検出技術をより良く保存する。
• 参考スコア（独自算出の注目度）: 0.434964016971127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extending forecast lead times while maintaining predictive skill remains a major challenge in environmental forecasting. We investigate diffusion-based rollouts as a stabilization mechanism for recursive forecasting using low-dimensional water-level time series and high-dimensional precipitation fields. Across both modalities, diffusion suppresses recursive error growth, with the largest stabilization occurring where deterministic rollouts are most unstable. However, stabilization does not guarantee forecast fidelity. In the water-level experiments, forecasts progressively lose event-level fidelity as the rollout loses access to external predictive information, and trajectory-level comparisons show that diffusion can remain numerically stable while contracting toward central values and exhibiting reduced variability. In the precipitation experiments, which retain conditioning from numerical weather prediction throughout the rollout, diffusion better preserves spatial organization and event-detection skill. Together, these contrasting experiments indicate that diffusion can control recursive error amplification, while its practical benefit also depends on the predictive information available to constrain future evolution.
• Abstract（参考訳）: 予測能力を維持しながら予測リードタイムを延長することは、環境予測において大きな課題である。 低次元水位時系列と高次元降水場を用いた再帰予測の安定化機構として拡散型ロールアウトについて検討した。 両モードとも、拡散は再帰的誤差の増大を抑制し、決定論的ロールアウトが最も不安定な場合に最も大きな安定化が起こる。 しかし、安定化は予測忠実性を保証するものではない。 水位実験では、ロールアウトが外部の予測情報へのアクセスを失うと事象レベルの忠実度が徐々に低下し、軌跡レベルの比較では、中央値に向かって収縮しながら拡散が数値的に安定し、変動性が低下することを示している。 ロールアウト全体を通して数値気象予報から条件を保った降水実験では、拡散は空間構造と事象検出技術をより良く保存する。 これらの対照的な実験は、拡散が再帰的誤差増幅を制御できることを示しているが、実際的な利点は将来の進化を制限するために利用できる予測情報にも依存している。

関連論文リスト

• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Guided Diffusion Sampling for Precipitation Forecast Interventions [12.961180148172199]
  データ駆動型気象予測モデルを用いた気象制御のための摂動に基づく介入はまだ検討されていない。 拡散サンプリングによる降水・降水介入のための勾配に基づくガイダンスフレームワークを提案する。 本手法は, 逆方向の摂動よりも物理的に妥当な介入を行ない, 効果的な降水量削減を実現する。
  論文  参考訳（メタデータ） (2026-05-14T03:27:54Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Hierarchy of extreme-event predictability in turbulence revealed by machine learning [6.9984229587538875]
  乱流における極端変動予測可能性は強い状態依存である。 これらの結果から,コヒーレント-構造持続性は乱流極度の予測可能性の制御機構であることがわかった。
  論文  参考訳（メタデータ） (2026-03-14T06:39:29Z)
• 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)
• HydroDiffusion: Diffusion-Based Probabilistic Streamflow Forecasting with a State Space Backbone [24.321954272892338]
  HydroDiffusionは拡散に基づく確率予測フレームワークであり、デコーダのみの状態空間モデルバックボーンを備えている。 CAMELSデータセットでは、アメリカ合衆国(CONUS)の531の流域で評価されている。 その結果,観測された気象強制力により,ハイドロ拡散は強い流速精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-12-13T05:05:27Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• A Study of Posterior Stability for Time-Series Latent Diffusion [59.41969496514184]
  まず,後部崩壊により可変オートエンコーダ(VAE)への潜伏拡散が減少し,表現性が低下することを示す。 次に、入力変数に対するリカレントデコーダの感度を定量化する、依存性測度という原則的手法を導入する。 理論的および実証的研究に基づいて,潜伏拡散を延長し,後部が安定な新しい枠組みを導入する。
  論文  参考訳（メタデータ） (2024-05-22T21:54:12Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation [26.520247496906492]
  本研究では,条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が,この問題に対処するための有効な選択肢であるかどうかを解析する。 各種流速予測手法の性能を定量的に定性的に評価するために, 非圧縮性および超音速流を含む3つの難解な2次元シナリオと等方性乱流を用いる。 単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-09-04T18:01:42Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。