論文の概要: Counterfactual Predictions in Scientific Emulators Without Controlled Experiments

• arxiv url: http://arxiv.org/abs/2610.02252v1
• Date: Wed, 30 Sep 2026 19:16:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.015737
• Title: Counterfactual Predictions in Scientific Emulators Without Controlled Experiments
• Title（参考訳）: 制御実験を伴わない科学エミュレータの予測
• Abstract要約: ReRouteは、科学的な「何」予測をターゲットとするフレームワークである。 本研究では,ReRouteが制御された対流拡散システムにおいて,高精度な対物予測を実現することを示す。 密集した気候・気候の介入について、ReRouteはCO$の厳しい分配シフトの下で、総合的な気候誤差を18.2-31.8%削減する。
• 参考スコア（独自算出の注目度）: 79.60287973965639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many scientific questions require reasoning about what was never observed: What if the conditions, interventions, or history had been different? Models can predict accurately on observed data yet fail on such what-if queries when correlated inputs are varied independently. A common remedy is to add controlled simulation data in which these factors are explicitly disentangled, but this requires access to a simulator, can be computationally expensive, and inherits the simulator's modeling assumptions. We introduce ReRoute, a framework for targeted scientific what-if prediction that combines factual data with partial mechanistic knowledge, without requiring controlled intervention data for adaptation. ReRoute fixes the queried input of a pretrained backbone to a reference value, reintroduces its variation through a known mechanistic pathway, and fine-tunes on the original factual data, while leaving downstream effects to the learned dynamics. We provide a causal identification result for this construction under explicit structural assumptions, with the core argument machine-checked in Lean. After showing that ReRoute achieves highly accurate counterfactual predictions in a controlled advection-diffusion system where exact responses are available, we turn to state-of-the-art climate emulation. On held-out coupled-climate interventions, ReRoute reduces aggregate climate error by 18.2-31.8% under severe CO$_2$ distribution shifts while preserving skill under standard conditions, at a small fraction of the cost of retraining on additional controlled simulations, without even accounting for the substantial expense of generating such data. Finally, on an emulator trained from historical ERA5 reanalysis, where no counterfactual reference exists, ReRoute preserves substantially more of the surface warming implied by the observed boundary conditions under a fixed-CO$_2$ counterfactual.
• Abstract（参考訳）: もし条件、介入、歴史が違っていたら? モデルは、観測されたデータに基づいて正確に予測できるが、相関入力が独立して変化した場合に、そのようなWhat-ifクエリーで失敗する。 一般的な治療法は、これらの因子が明示的に絡み合うように制御されたシミュレーションデータを追加することであるが、これはシミュレータへのアクセスを必要とし、計算コストがかかり、シミュレータのモデリング仮定を継承する。 本稿では,実際のデータと部分的な機械的知識を組み合わせ,適応のために制御された介入データを必要とせず,対象とする科学的状況予測のためのフレームワークであるReRouteを紹介する。 ReRouteは、トレーニング済みのバックボーンのクエリ入力を参照値に修正し、既知の機械的経路を通じてそのバリエーションを再導入し、学習されたダイナミクスに下流効果を残しながら、元の事実データに基づいて微調整する。 コア引数をリーンでチェックした上で、明示的な構造的前提の下で、この構造に対する因果的識別結果を提供します。 ReRouteは、正確な応答が可能な制御された対流拡散システムにおいて、極めて正確な反事実予測を達成していることを示すと、我々は最先端の気候エミュレーションに目を向ける。 温暖化対策として、ReRouteは、CO$2$の高額な配電条件下での総合的な気候誤差を18.2-31.8%削減し、標準条件下では、データ生成のかなりのコストを考慮せずに、追加の制御されたシミュレーションで再訓練するコストのごく一部に抑えている。 最後に、反ファクト参照がない歴史的ERA5リアナリシスから訓練されたエミュレータ上で、ReRouteは、固定CO$2$反ファクト条件の下で観測された境界条件によってもたらされる表面の温暖化をかなり多く保存する。

関連論文リスト

• Forecasting from Counterfactual Simulator Rollouts: A Sim2Real Evaluation [0.8442962257993124]
  シミュレーション・トゥ・リアリティ(Sim2Real)によるこのシミュレータ訓練モデルの転送は、過去のデプロイメントの実際の観測結果に対して評価することで、バックテストすることができる。 シミュレータ学習した予測器は、過去の実データに基づいてトレーニングされたのと同じアーキテクチャよりも低い点推定平均絶対パーセンテージ誤差(MAPE)を達成する。
  論文  参考訳（メタデータ） (2026-10-02T17:37:14Z)
• Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions [2.0013177824602444]
  物理学に基づくシミュレータをPearlのdo演算子の機械的実現として扱う時系列因果発見のためのフレームワークを提案する。 シミュレータ内の変数を物理的に分離するパスをクランプし、建設による介入データを生成する。 サインフリップ座標は、シミュレータの精度がしきい値以下になると、推定因果効果が符号を反転させると予測する。
  論文  参考訳（メタデータ） (2026-05-11T01:54:58Z)
• Assessing the Robustness of Climate Foundation Models under No-Analog Distribution Shifts [2.4329932351753114]
  アナログのない」将来の気候状態は、歴史的トレーニングデータの実証範囲外の条件に、外部の強制がシステムを駆動する体制である。 我々は、U-Net、ConvLSTM、ClimaXファンデーションモデルという3つの最先端アーキテクチャの堅牢性を評価する。
  論文  参考訳（メタデータ） (2026-03-24T10:29:54Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• GEN2: A Generative Prediction-Correction Framework for Long-time Emulations of Spatially-Resolved Climate Extremes [0.0]
  極端事象統計の効率的かつ正確な予測のための生成予測補正フレームワークを提案する。 我々のモデルは、異なるシナリオにおける極端な事象の統計を正確に予測し、トレーニングデータの分布を超えた外挿に成功した。
  論文  参考訳（メタデータ） (2025-08-21T03:14:25Z)
• Pseudo-Simulation for Autonomous Driving [66.1981253104508]
  既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。 現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。 オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:53Z)
• Sim2Real for Environmental Neural Processes [20.850715955359593]
  我々は「Sim2Real」の分析を行い、再分析と観測データの微調整を事前学習する。 Sim2Realは、天気予報や気象モニタリングのためのより正確なモデルを可能にする。
  論文  参考訳（メタデータ） (2023-10-30T18:49:06Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)

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。