論文の概要: SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs

• arxiv url: http://arxiv.org/abs/2610.03313v1
• Date: Fri, 02 Oct 2026 13:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.403472
• Title: SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs
• Title（参考訳）: SDECast:ニューラルSDEによる確率的天気予報
• Abstract要約: 継続的確率的天気予報のためのフレームワーク*SDECast*を紹介する。 SDECastはSDEマッチングを拡張して、トレーニング中に繰り返しSDEシミュレーションを必要とせず、物理空間で直接動的に学習する。 SDECastは意味のあるドリフトダイナミクスを回復し、基礎となる連続時間挙動を忠実に再現することを示す。 次に、SDECastが最大5日間のリードタイムの有能な確率予測を行う時間分解能で、地球規模の天気予報にスケーラビリティを実演する。
• 参考スコア（独自算出の注目度）: 11.444576186559486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing machine learning weather forecasting models typically generate forecasts through autoregressive rollouts at a fixed temporal resolution. While highly efficient for long-range prediction, this formulation can suffer from severe error accumulation when used with shorter time steps and does not explicitly encode the locality and temporal continuity of atmospheric dynamics. To address these limitations, we introduce **SDECast**, a Neural Stochastic Differential Equation (SDE) framework for continuous-time probabilistic weather forecasting. SDECast extends SDE Matching to learn stochastic dynamics directly in physical space, without requiring repeated SDE simulation during training. On a simulated geophysical flow, we show that SDECast recovers meaningful drift dynamics and faithfully reproduces the underlying continuous-time behavior. We then demonstrate its scalability to global weather forecasting at hourly resolution, where SDECast produces skillful probabilistic forecasts for lead times of up to five days.
• Abstract（参考訳）: 既存の機械学習の天気予報モデルは通常、一定時間解像度で自動回帰ロールアウトを通じて予測を生成する。 長距離予測には高い効率性があるが、この定式化は短い時間ステップで使用すると深刻なエラーの蓄積に悩まされ、大気力学の局所性と時間的連続性を明示的にエンコードしない。 これらの制約に対処するため、持続的確率的天気予報のためのニューラル確率微分方程式(SDE)フレームワーク*SDECast*を導入する。 SDECastはSDEマッチングを拡張して、トレーニング中に繰り返しSDEシミュレーションを行うことなく、物理空間で確率力学を直接学習する。 シミュレーションされた物理流れにおいて,SDECastは意味のあるドリフトダイナミクスを回復し,基礎となる連続時間挙動を忠実に再現することを示す。 次に、SDECastが最大5日間のリードタイムの有能な確率予測を行う時間分解能で、地球規模の天気予報のスケーラビリティを実証する。

関連論文リスト

• RainODE: Continuous-Time Precipitation Forecasting with Latent Neural ODEs [31.6943694848236]
  RainODEは、Neural ODEを使用して潜在空間の降水進化をモデル化するフレームワークである。 この定式化により、微分整合時間力学が実現され、降水系の大規模対流運動が支配的となる。 ブラウン橋に基づく震源モデリングモジュールは、微細な構造を保ちながら残留強度の変動を復元する。
  論文  参考訳（メタデータ） (2026-06-29T06:48:02Z)
• Autoregression-Free Neural Operators for Time-Dependent PDEs [22.734418195465043]
  本研究では, PDEの時間発展を潜在空間にマッピングし, 内部の連続時間ベクトル場をモデル化するオートレグレスフリーニューラル演算子(AFNO)を提案する。 AFNOは長水平予測の安定性を向上し、ベースラインと比較してロールアウトエラーを一貫して低減することを示す。
  論文  参考訳（メタデータ） (2026-05-25T04:28:41Z)
• 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)
• Neural Stochastic Flows: Solver-Free Modelling and Inference for SDE Solutions [23.147474211347856]
  我々はニューラルフロー(NSF)とその潜伏変種を導入し、SDE遷移則を直接学習する(最近)。 合成SDEシミュレーションと実世界の追跡とビデオデータを用いた実験により,NSFは数値的アプローチに匹敵する分布精度を維持していることが示された。
  論文  参考訳（メタデータ） (2025-10-29T17:59:06Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations [18.64802090861607]
  ProGen Proは、不確実性を管理しながら依存関係を効果的にキャプチャする堅牢なソリューションを提供する。 4つのベンチマークトラフィックデータセットの実験により、ProGen Proは最先端の決定論的確率モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T14:37:30Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Delay-SDE-net: A deep learning approach for time series modelling with memory and uncertainty estimates [0.0]
  本稿では遅延微分方程式(SDDE)に基づくニューラルネットワークモデルであるDelay-SDE-netを提案する。 複数の遅延を持つSDDEをモデリングとして使用することで、メモリ効果のある時系列のモデルに適している。 Delay-SDE-netの理論誤差を導出し,収束率を数値的に解析する。
  論文  参考訳（メタデータ） (2023-03-14T14:31:38Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。