論文の概要: Evaluating Predictor-Corrector Dependence in Hard-Constrained Climate Emulators

• arxiv url: http://arxiv.org/abs/2610.23561v1
• Date: Fri, 16 Oct 2026 14:49:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.976328
• Title: Evaluating Predictor-Corrector Dependence in Hard-Constrained Climate Emulators
• Title（参考訳）: ハード拘束型気候エミュレータにおける予測・コレクタ依存性の評価
• Abstract要約: 本稿では,修正予測,事前補正予測,修正不能な自動ロールアウトを分離する評価フレームワークを提案する。 ハード・リコメンデーションがトレーニングされた予測器を再構築できることを示し、修正された予測だけでは見えない依存関係を生成する。
• 参考スコア（独自算出の注目度）: 48.517726657845664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate emulators often enforce physical constraints by correcting each state predicted by a neural network, but evaluating only the corrected forecast conflates predictor skill with the effect of the correction. We introduce an evaluation framework that separates these contributions by comparing corrected forecasts, pre-correction predictions along corrected trajectories, and autonomous rollouts with correction disabled. We further cross correction during training and inference to distinguish its immediate effect from how it shapes the learned predictor, and use matched nonphysical controls to test whether improvements are specific to the physical correction. In ACE2, correction substantially improves physical consistency. In a three-seed ACE2 pilot, models trained with correction produce less accurate uncorrected precipitation forecasts at short horizons than models trained without correction, but more accurate forecasts at 10 and 30 days. This contradicts our preregistered hypothesis that the deficit would grow with forecast horizon. In a separate nine-seed experiment, directly supervising the uncorrected output reverses its precipitation forecast deficit at 72 hours while maintaining the accuracy of corrected forecasts at 24 hours. In ConCerNet's heat-equation system, projection-trained models have higher uncorrected trajectory-based vector-field RMSE than models trained without projection, while restoring the physical projection recovers accuracy far more effectively than a matched nonphysical control. Together, these results show that hard corrections can reshape the predictors trained alongside them, creating dependencies that are not visible from corrected forecasts alone. Hard-constrained emulators should therefore be evaluated by separately measuring predictor accuracy, correction effects, and their interaction during training.
• Abstract（参考訳）: 気候エミュレータは、ニューラルネットワークによって予測される各状態を補正することで、物理的制約を強制することが多いが、修正された予測のみを評価することは、補正の効果と予測スキルを融合させる。 補正された予測、修正された軌道に沿った修正前の予測、修正不能な自律的なロールアウトを比較することで、これらの貢献を分離する評価フレームワークを導入する。 我々は、学習した予測器の形状と即時効果を区別するために、トレーニングおよび推論中にさらなる補正を行い、整合した非物理的制御を用いて、改善が身体的補正に特有のものであるかどうかをテストする。 ACE2では、補正は物理的整合性を大幅に改善する。 3列のACE2パイロットでは、修正で訓練されたモデルは、修正せずに訓練されたモデルよりも短い地平線で正確な不正確な降水予測を生成するが、10日と30日でより正確な降水予測を生成する。 これは、予想の地平線とともに赤字が増加するという我々の事前登録仮説に矛盾する。 別個の9シード実験では、補正された予測の正確さを24時間維持しながら、補正されていない出力を直接監視することで、予測予測の予測損失を72時間反転させる。 ConCerNetの熱方程式系では、プロジェクション訓練されたモデルは、プロジェクションなしで訓練されたモデルよりも、補正されていない軌道に基づくベクトル場RMSEが高いが、物理的プロジェクションの復元は、一致した非物理的制御よりもはるかに効果的に精度を回復する。 これらの結果は、厳密な修正がトレーニングされた予測器を再構築できることを示し、修正された予測だけでは見えない依存関係を生成する。 したがって、トレーニング中の予測精度、補正効果、およびそれらの相互作用を別々に測定することにより、ハード拘束エミュレータを評価する必要がある。

関連論文リスト

• Robust Ensemble Guidance for Scientific Inverse Problems [100.58137337454754]
  Robust Ensemble Guidance (REG) は、アンサンブル予測拡散を用いて観測スケールのバランスを保ち、極端に不一致な影響を制限するために標準化された残差を適応的にクリップする。 REGは3つの観測系で6.2-8.2dBのブラックホール再構成PSNRを増加させ、一致した予算比較でNavier-Stokes再構成誤差を26.4%削減する。
  論文  参考訳（メタデータ） (2026-10-04T16:54:37Z)
• Future-as-Label: Scalable Supervision from Real-World Outcomes [0.0]
  時が自由な監督を生み出す: 現実の出来事に関する予測は、検証可能な結果に解決する。 我々は、実世界の予測に時間をかけて検証可能な報酬で強化学習を拡張した。 我々は、因果的にマスキングされた情報から確率予測を行うために言語モデルを訓練する。
  論文  参考訳（メタデータ） (2026-01-09T22:15:12Z)
• Neural CDEs as Correctors for Learned Time Series Models [0.0]
  本研究では,予測器を学習時系列モデルとし,Correctorをニューラル制御微分方程式とする予測器・コレクタ機構を提案する。 提案したCorrectorは、不規則にサンプリングされた時系列と連続時間および離散時間予測器で動作する。 合成, 物理シミュレーション, 実世界の予測データセットにおいて, 様々な予測器を用いてコレクターを評価した。
  論文  参考訳（メタデータ） (2025-12-13T01:17:05Z)
• Probabilistic bias adjustment of seasonal predictions of Arctic Sea Ice Concentration [0.0]
  季節予測システムは、しばしばバイアスを示し、複雑な時間誤差を予測する。 本稿では,条件付き変分オートエンコーダモデルに基づく確率的誤り訂正フレームワークを提案する。 調整された予測は観測分布に適しており、気候学的平均調整された予測よりも誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2025-10-10T22:17:29Z)
• Enforcing tail calibration when training probabilistic forecast models [0.0]
  本研究では,確率予測モデルの学習に使用する損失関数を用いて,極端な事象に対する予測の信頼性を向上させる方法について検討する。 我々は,最先端モデルが極端風速のキャリブレーション予測を発行しないことを示すとともに,モデルトレーニング中の損失関数への適切な適応により,極端事象のキャリブレーションを改善することができることを示した。
  論文  参考訳（メタデータ） (2025-06-16T16:51:06Z)
• Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
  本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。 ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
  論文  参考訳（メタデータ） (2024-09-29T22:54:31Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)

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。