論文の概要: OceanFlow: Coherent Flow Matching for Probabilistic Ocean Modeling
- arxiv url: http://arxiv.org/abs/2610.15518v1
- Date: Sun, 11 Oct 2026 10:35:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.221233
- Title: OceanFlow: Coherent Flow Matching for Probabilistic Ocean Modeling
- Title（参考訳）: OceanFlow:確率的海洋モデリングのためのコヒーレントフローマッチング
- Abstract要約: 確率論的海洋モデリングは、リスクを意識した海洋活動、気候分析、科学的意思決定に不可欠である。
近年のデータ駆動型海洋モデルにより、決定論的グローバルオーシャンモデリングはますます正確で効率的になっている。
確率的大洋モデリングのためのコヒーレントフローマッチングフレームワークであるOceanFlowを提案する。
- 参考スコア（独自算出の注目度）: 11.350227252931383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilistic ocean modeling is essential for risk-aware marine operations, climate analysis, and scientific decision-making, where downstream decisions depend on the conditional distribution of future ocean states rather than a single deterministic trajectory. Recent data-driven ocean models have made deterministic global ocean modeling increasingly accurate and efficient, but probabilistic ocean modeling remains underdeveloped. Specifically, perturbation-driven ensembles can create spread without explicitly optimizing the joint distribution of their members, often yielding poor calibration and physical inconsistency. To address these issues, we propose OceanFlow, a coherent flow matching framework for probabilistic global ocean modeling. OceanFlow first establishes a sharp, stable mean anchor for the conditional ensemble. Flow matching then learns a coherent state-conditioned pathwise law that jointly reshapes the residual distribution around this anchor at each transition, preserving the predictive center while refining state-dependent uncertainty. We further introduce a Factorized Dynamics Operator (FDO), which combines factorized transitions with a learned state-conditioned response to parameterize the mean anchor and residual-flow velocity. Extensive experiments show that OceanFlow improves ensemble-mean accuracy, probabilistic reliability, and physical-consistency diagnostics over competitive baselines, supporting coherent flow matching as an effective route toward data-driven probabilistic ocean modeling. Code is available at https://github.com/YuanGao-YG/OceanFlow.
- Abstract（参考訳）: 確率論的海洋モデリングは、リスクを意識した海洋活動、気候分析、科学的意思決定に不可欠であり、下流の判断は、単一の決定論的軌道ではなく、将来の海洋状態の条件的分布に依存する。
近年のデータ駆動型海洋モデルにより、決定論的グローバルオーシャンモデリングはますます正確で効率的になっているが、確率論的オーシャンモデリングはまだ未発達である。
具体的には、摂動駆動のアンサンブルは、メンバーの関節分布を明示的に最適化することなく拡散し、しばしばキャリブレーションの低下と物理的不整合をもたらす。
これらの問題に対処するために,確率的大洋モデリングのためのコヒーレントフローマッチングフレームワークであるOceanFlowを提案する。
OceanFlowはまず、条件アンサンブルのシャープで安定した平均アンカーを確立する。
フローマッチングはコヒーレントな状態条件のパスワイズ法則を学習し、各遷移においてこのアンカー周辺の残留分布を共同で再認識し、状態依存の不確かさを補いながら予測中心を保存する。
さらにFDO (Factized Dynamics Operator) を導入し, 平均アンカーと残流速度をパラメータ化するために, 因子化遷移と学習状態条件応答を組み合わせた。
大規模な実験により、OceanFlowは、競争ベースライン上でのアンサンブル平均精度、確率的信頼性、物理的整合性診断を改善し、データ駆動確率的海洋モデリングへの効果的な経路としてコヒーレントフローマッチングをサポートすることが示されている。
コードはhttps://github.com/YuanGao-YG/OceanFlowで入手できる。
関連論文リスト
- OceanLight: Efficient Global Ocean Forecasting via Geometry-Adaptive Unstructured Mesh Representation [8.050783873604173]
OceanLightは、非構造化メッシュトークン化とグラフニューラルネットワーク(GNN)バックボーンを組み合わせた、効率的なグローバルオーシャン予測フレームワークである。
OceanLightは、運用数値分析と最先端AIベースのモデルの両方を超越した、ポイントワイズ予測精度と運動エネルギースペクトル忠実度を達成する。
我々の非構造化メッシュ表現は、スケーラブルなデータ駆動海洋学のための一般化可能なパラダイムを確立します。
論文 参考訳（メタデータ） (2026-08-17T04:03:30Z) - Sampling sea state using a diffusion model [28.05527563772365]
海の状態予測は、海洋の運用と地球系の結合モデルに不可欠である。
現在のスペクトル波モデルは、多くのユースケースで計算的に禁止されている。
本研究では,大域海況推定のための拡散モデルを提案する。
論文 参考訳（メタデータ） (2026-06-24T21:19:59Z) - GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - OceanForecastBench: A Benchmark Dataset for Data-Driven Global Ocean Forecasting [10.30935627811107]
データ駆動深層学習に基づく海洋予測モデルは、複雑な海洋力学を捉える大きな可能性を示している。
これらの進歩にもかかわらず、オープンソースのベンチマークがないため、一貫性のないデータの使用と評価方法が生まれている。
3つのコアコントリビューションを提供するベンチマークであるOceanForecastBenchを提案する。
論文 参考訳（メタデータ） (2025-11-24T03:57:43Z) - Contrastive Flow Matching [61.60002028726023]
コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。
提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。
比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
論文 参考訳（メタデータ） (2025-06-05T17:59:58Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Consistent World Models via Foresight Diffusion [56.45012929930605]
我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。
本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
論文 参考訳（メタデータ） (2025-05-22T10:01:59Z) - Data-Driven Probabilistic Air-Sea Flux Parameterization [0.3986595245870643]
本研究では, 大気-海底フラックスの高度に変動する性質を表現するための確率的枠組みを提案する。
我々は,ニューラルネットワークと渦-共分散測定データを用いて,平均と分散を推定する。
論文 参考訳（メタデータ） (2025-03-06T00:40:49Z) - PRISM: Probabilistic Real-Time Inference in Spatial World Models [52.878769723544615]
PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。
提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
論文 参考訳（メタデータ） (2022-12-06T13:59:06Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z)
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。