論文の概要: FlexCast: Adaptive Weather Forecasting from Arbitrary Field Sets

• arxiv url: http://arxiv.org/abs/2610.05296v1
• Date: Sun, 04 Oct 2026 15:18:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 21:56:57.044233
• Title: FlexCast: Adaptive Weather Forecasting from Arbitrary Field Sets
• Title（参考訳）: FlexCast: 任意フィールドからの適応的な天気予報
• Abstract要約: ほとんどのディープラーニング気象モデルは、予め定義されたチャネルに変数と圧力レベルの固定セットを割り当てる。 この固定場集合への依存は、大気中におけるモデルの移動可能性を制限する。 フィールド適応型天気予報モデルFlexCastを提案する。
• 参考スコア（独自算出の注目度）: 57.20064100741693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most deep learning weather models assign a fixed set of variables and pressure levels to predefined channels, limiting transfer across atmospheric field configurations. This dependence on a fixed field set limits the transferability of trained models across atmospheric field configurations. We propose FlexCast, a field-adaptive weather forecasting model that uses a single set of parameters to produce identity-aligned forecasts for variable-cardinality subsets drawn from a 69-field ERA5 registry. Specifically, a metadata-conditioned adapter the first encodes variable identity, pressure level, and field type and combines them with spatial features. Then, shared rank-16 projec?tions are modulated by metadata-dependent gates to produce field?specific features, while masked set fusion aggregates the available fields into a fixed-width representation. Subsequently, a multiscale U-Transformer processes the fused atmospheric features, while an identity-aware query decoder produces forecasts for the requested fields. Finally, FlexCast learns a standardized six-hour increment and applies it recursively to generate forecasts at longer lead times. Experiments on the 2020 ERA5 test set demonstrate that FlexCast operates across varying field configurations. Compatible cross-field context is associated with lower forecast errors, whereas mismatched context increases them.
• Abstract（参考訳）: ほとんどの深層学習気象モデルでは、変数と圧力レベルの固定セットを事前定義されたチャネルに割り当て、大気圏構成間の移動を制限する。 この固定場集合への依存は、大気中におけるモデルの移動可能性を制限する。 69フィールドのERA5レジストリから引き出された可変心電図サブセットに対して,一組のパラメータを用いてID整合予測を生成するフィールド適応型天気予報モデルFlexCastを提案する。 具体的には、メタデータ条件付きアダプタで、最初に可変ID、圧力レベル、フィールドタイプをエンコードし、それらを空間的特徴と組み合わせる。 では、シェアランク16のプロジェク? オプションは、フィールドを生成するためにメタデータ依存のゲートによって変調されますか? 特定の特徴は、マスクされた集合融合は利用可能なフィールドを固定幅表現に集約する。 その後、マルチスケールのU-Transformerが融合した大気特性を処理し、ID対応クエリデコーダが要求されたフィールドの予測を生成する。 最後に、FlexCastは標準化された6時間のインクリメントを学び、それを再帰的に適用して、より長いリードタイムで予測を生成する。 2020 ERA5テストセットの実験では、FlexCastがさまざまなフィールド構成で動作することを示した。 コンパチブルなクロスフィールドコンテキストは低い予測エラーと関連付けられるが、ミスマッチしたコンテキストはそれらを増加させる。

関連論文リスト

• A Lightweight Plug-in Gate for Transformer-Based Time-Series Forecasters [21.360092008773176]
  既存のTransformerベースの予測器は、通常、共変表現を構築し、明示的なアクセプションステージなしでエンコーダに渡す。 我々は,Sigmoidスコアを表現単位に割り当てる軽量な表現レベルプリエンコーダゲートでインタフェースを実装した。 TimeXer, Inverted Transformer (iTransformer), Patch Time Series Transformer (PatchTST) のプラグインモジュールとして評価される。
  論文  参考訳（メタデータ） (2026-09-17T20:04:01Z)
• Hybrid Semantic Context-Enhanced Ensemble Learning for Wind Power Ramp-Event Forecasting and Uncertainty-Aware Evaluation [1.3907969811104686]
  突然の風力ランプイベントでは、短い窓上でのタービン出力の大きな変動を見積もるのは困難である。 セマンティック・コンテキストを増強し,ランセット・エフェクト・予測を行うハイブリッド・予測手法を構築した。
  論文  参考訳（メタデータ） (2026-08-29T03:33:34Z)
• 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)
• AGCD: Agent-Guided Cross-Modal Decoding for Weather Forecasting [29.582978733703687]
  Agent-Guided Cross-Modal Decoding (AGCD) は、プラグイン・アンド・プレイのプリインジェクションのパラダイムである。 状態条件の物理プライヤを生成するための多エージェント気象ナレーションパイプラインを設計する。 また、領域対応マルチスケールトークン化と効率的な物理-プライアーインジェクションを行うクロスモーダルな領域間相互作用デコーディングも導入する。
  論文  参考訳（メタデータ） (2026-03-16T13:27:20Z)
• 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)
• PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
  PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。 PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
  論文  参考訳（メタデータ） (2025-02-27T22:21:27Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• A Novel Transformer Network with Shifted Window Cross-Attention for Spatiotemporal Weather Forecasting [5.414308305392762]
  我々は,ビデオトランスを用いた天気予報の課題に取り組む。 視覚変換器のアーキテクチャは様々な用途で研究されている。 本稿では,ビデオスウィン・トランスフォーマーと専用拡張スキームの併用を提案する。
  論文  参考訳（メタデータ） (2022-08-02T05:04:53Z)

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。