論文の概要: Just Weather Scoring: Efficient End-to-end Nowcasting with Distributional Diffusion

• arxiv url: http://arxiv.org/abs/2610.12189v1
• Date: Thu, 08 Oct 2026 15:50:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.141269
• Title: Just Weather Scoring: Efficient End-to-end Nowcasting with Distributional Diffusion
• Title（参考訳）: Just Weather Scoring: 分散拡散による効率的なエンドツーエンド放送
• Abstract要約: 単一段階のエンドツーエンド拡散モデルであるJust Weather Scoring (JWS)を紹介する。 レーダ空間は、トレーニングと推論を大幅に単純化し、損失のある圧縮に起因する不確実性を排除します。 SEVIRとMeteoNetのベンチマークでは、JWSはトレーニングと推論コストの削減で、最先端の確率予測性能を実現した。
• 参考スコア（独自算出の注目度）: 19.57787348063841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative diffusion models are well-suited for probabilistic precipitation nowcasting, but existing approaches often rely on separately trained compression or deterministic forecasting components and remain costly at inference due to iterative denoising. We introduce Just Weather Scoring (JWS), a single-stage, end-to-end diffusion model which addresses both issues by forecasting directly in radar space and enabling few-step generation. Radar-space modeling greatly simplifies training and inference and eliminates uncertainty arising from lossy compression. JWS combines Masked Asynchronous Diffusion, a timestep-sampling scheme that preserves clean context while adapting diffusion training to high-dimensional spatio-temporal data, with a simple scoring-rule objective that aligns training with probabilistic forecasting and unlocks few-step generation. On the SEVIR and MeteoNet benchmarks, JWS achieves state-of-the-art probabilistic forecasting performance at reduced training and inference cost. Even our smallest model remains competitive using substantially fewer parameters and more than 17x faster inference.
• Abstract（参考訳）: 生成的拡散モデルは確率的降水に適しているが、既存のアプローチは個別に訓練された圧縮や決定論的予測コンポーネントに依存しており、反復的妄想による推論に費用がかかる。 JWS(Just Weather Scoring)は、レーダー空間を直接予測し、少数のステップ生成を可能にする、単一段階のエンドツーエンド拡散モデルである。 レーダ空間モデリングは、トレーニングと推論を大幅に単純化し、損失のある圧縮に起因する不確実性を排除する。 JWSはMasked Asynchronous Diffusionという,高次元時空間データに拡散トレーニングを適用しながらクリーンなコンテキストを保存するタイムステップサンプリングスキームと,確率的予測とトレーニングを整合させ,数ステップ生成をアンロックする単純なスコアリングルールの目的を組み合わせたものだ。 SEVIRとMeteoNetのベンチマークでは、JWSはトレーニングと推論コストの削減で最先端の確率予測性能を達成している。 私たちの最小モデルでさえ、かなり少ないパラメータと17倍以上の高速な推論を使って、競争力を維持しています。

関連論文リスト

• Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
  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。
  論文  参考訳（メタデータ） (2026-09-29T22:47:10Z)
• DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting [20.843180660578792]
  確率的時系列予測には、複雑で時間的な分布をモデル化し、予測する必要がある。 Denoising Diffusion Probabilistic Model (DDPM) に基づくアプローチは、事前訓練された平均および分散推定器でdif-fusionプロセスを実装することで、有望であることを示す。 Diff-PTSは,エビデンスローバウンド内のすべてのコンポーネントのエンドツーエンドの最適化を可能にする汎用フレームワークである。
  論文  参考訳（メタデータ） (2026-09-26T08:41:10Z)
• VMU-Diff: A Coarse-to-fine Multi-source Data Fusion Framework for Precipitation Nowcasting [9.702321405779513]
  既存の手法は、決定論的または確率論的モデルを構築するために、単一ソースのレーダーデータに依存している。 本稿では,新しい粗大な視覚マンバUnetと残留拡散(VMU-Diff)に基づく降水処理フレームワークを提案する。 SWANデータセットを用いた実験により,最先端手法による手法の改良が実証された。
  論文  参考訳（メタデータ） (2026-05-14T09:05:30Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Continuous Ensemble Weather Forecasting with Diffusion models [10.730406954385927]
  連続アンサンブル予測は拡散モデルにおけるアンサンブル予測をサンプリングするための新しいフレキシブルな手法である。 時間的に一貫したアンサンブル軌道を、自動回帰ステップなしで完全に並列に生成することができる。 本手法は, 確率特性のよいグローバル気象予報において, 競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-07T18:51:23Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Bridging the Gap Between Training and Inference for Spatio-Temporal Forecasting [16.06369357595426]
  本稿では,S-temporal sequence forecastingのトレーニングと推論のギャップを埋めるために,時間的プログレッシブ・グロース・サンプリングというカリキュラムベースの新しい戦略を提案する。 実験結果から,提案手法は長期依存をモデル化し,2つの競合データセットに対するベースラインアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-19T10:14:43Z)

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。