論文の概要: Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting

• arxiv url: http://arxiv.org/abs/2609.38632v1
• Date: Tue, 29 Sep 2026 22:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.81577
• Title: Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting
• Title（参考訳）: 確率的天気予報のための適切なスコーリング規則に基づく拡散
• Abstract要約: 我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
• 参考スコア（独自算出の注目度）: 59.015610520217734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent probabilistic weather forecasters train stochastic predictors with the continuous ranked probability score (CRPS) to generate each ensemble member in a single forward pass. These models learn the predictive distribution from the forecast context alone, which becomes difficult at longer forecast horizons where uncertainty is high. To learn the predictive distribution more effectively, we introduce auxiliary conditional denoising tasks that predict the same future state from the context and its corrupted version, which provides partial future information that can reduce prediction ambiguity. Building on distributional diffusion models, we learn the conditional distributions of these tasks with a single stochastic predictor by minimizing a proper scoring rule across noise levels. At inference, the predictor can still generate each ensemble member in a single forward pass at the fully corrupted endpoint. Standard CRPS training is recovered as the endpoint-only special case of our formulation, so our framework extends existing CRPS-based forecasters with only additional conditioning inputs. Controlled experiments show that the auxiliary tasks improve one-step forecasting across architectures, with larger gains at longer forecast horizons. The gains extend to high-dimensional global weather forecasting under both training from scratch and fine-tuning, along with improved calibration and potential benefits for generalization under distribution shift.
• Abstract（参考訳）: 最近の確率予測器は、連続的なランク付け確率スコア(CRPS)で確率予測器を訓練し、単一の前方通過で各アンサンブル部材を生成する。 これらのモデルは、予測コンテキストのみから予測分布を学習し、不確実性が高い長い予測地平線では困難になる。 予測分布をより効果的に学習するために,予測曖昧さを低減できる部分的将来情報を提供するコンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 分布拡散モデルに基づいて、ノイズレベルをまたいだ適切なスコアリングルールを最小化することにより、単一確率予測器を用いてこれらのタスクの条件分布を学習する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。 標準CRPSトレーニングは、私たちの定式化におけるエンドポイントのみの特別なケースとして回収されるので、我々のフレームワークは、追加の条件入力だけで既存のCRPSベースの予測器を拡張します。 制御された実験により、補助的なタスクはアーキテクチャ全体のワンステップ予測を改善し、より長い予測地平線でより大きな利得が得られることが示された。 上昇は、スクラッチと微調整の両方のトレーニングの下での高次元の世界的な天気予報に拡張され、キャリブレーションの改善や、分布シフトによる一般化の潜在的な利益がもたらされる。

関連論文リスト

• 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。