論文の概要: Batched NN 4D-Var: a performant hybrid model framework for the Integrated Forecasting System

• arxiv url: http://arxiv.org/abs/2610.32582v1
• Date: Fri, 23 Oct 2026 13:09:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.520746
• Title: Batched NN 4D-Var: a performant hybrid model framework for the Integrated Forecasting System
• Title（参考訳）: Batched NN 4D-Var:Integrated Forecasting Systemのための高性能ハイブリッドモデルフレームワーク
• Abstract要約: 4D-Var を用いた統合予測システムにおける状態依存モデル修正のオンライン学習について検討する。 バッチ化された定式化は、サンプル外実験における予測スキルを一貫して改善するハイブリッドモデルを生成する。
• 参考スコア（独自算出の注目度）: 1.9547973793565456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid forecasting systems combining machine learning and numerical weather prediction offer a promising route toward improved forecast skill while preserving physical consistency. In this study, we investigate online learning of state-dependent model-error corrections within the Integrated Forecasting System using 4D-Var. Building on previous work, we represent model error using a neural network embedded within the forecast model and trained from observations through the data assimilation cycle. First, we introduce a targeted variant of neural-network 4D-Var in which only the neural-network parameters are estimated, while the atmospheric state is provided by a precomputed analysis. We then propose a batched extension that processes assimilation windows in random order and averages parameter increments over multiple windows, drawing inspiration from mini-batch stochastic optimization. Experiments are conducted with the Integrated Forecasting System of the European Centre for Medium-Range Weather Forecasts at an intermediate resolution. Sequential online learning substantially improves forecasts within the training period, with error reductions exceeding 10%in some cases. However, these improvements fail to generalize to unseen data. In contrast, the proposed batched formulation produces hybrid models that consistently improve forecast skill in out-of-sample experiments. Larger batch sizes accelerate convergence and improve robustness by reducing the noise of parameter updates. Diagnostics further show that the online-trained corrections preserve realistic forecast variability and do not improve skill through artificial smoothing. These results demonstrate that the formulation of the online learning problem is critical for generalisation and establish batched online training as a promising framework for hybrid machine-learning/data-assimilation systems.
• Abstract（参考訳）: 機械学習と数値天気予報を組み合わせたハイブリッド予測システムは,物理的な整合性を維持しつつ,予測スキルの向上に向けて有望な経路を提供する。 本研究では,4D-Varを用いた統合予測システムにおける状態依存型モデルエラー訂正のオンライン学習について検討する。 過去の研究に基づいて、予測モデル内に埋め込まれたニューラルネットワークを用いてモデルエラーを表現し、データ同化サイクルを通して観測から訓練する。 まず,ニューラルネットワークパラメータのみを推定するニューラルネットワーク4D-Varのターゲット版を紹介する。 次に、ランダムに同化ウィンドウを処理し、複数のウィンドウ上でパラメータのインクリメントを平均化するバッチ拡張を提案し、ミニバッチ確率最適化のインスピレーションを引き出す。 中間分解能で中レージ気象予報を行う欧州センター統合予報システムを用いて実験を行った。 連続的なオンライン学習はトレーニング期間内での予測を大幅に改善し、エラーが10%を超えるケースもある。 しかし、これらの改善は見当たらないデータに一般化することができない。 対照的に、提案したバッチ型定式化は、サンプル外実験における予測スキルを一貫して改善するハイブリッドモデルを生成する。 より大きなバッチサイズは、パラメータ更新のノイズを減らすことで収束を加速し、堅牢性を改善する。 さらに, オンライン学習による修正は, 現実的な予測変動を保ち, 人工的平滑化によるスキル向上を行なわないことを示す。 これらの結果から、オンライン学習問題の定式化は、ハイブリッド機械学習/データ同化システムのための有望なフレームワークとして、バッチオンライントレーニングの一般化と確立に不可欠であることが示されている。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Development of an offline and online hybrid model for the Integrated Forecasting System [0.2556723501703686]
  ニューラルネットワークを用いた中レージ気象予報センターのモデル誤差補正手法を開発した。 ネットワークは、運用分析と分析インクリメントの大規模なデータセットを使用して、オフラインで事前トレーニングされている。 その後、データ同化や予測実験に使用されるように、オブジェクト指向予測システム(OOPS)内のIFSに統合される。
  論文  参考訳（メタデータ） (2024-03-06T13:36:31Z)
• 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)
• Online model error correction with neural networks in the incremental 4D-Var framework [0.0]
  我々は,オンラインモデル誤り訂正のためのニューラルネットワークのトレーニングに使用できる,新しい弱制約4D-Varの定式化を開発した。 本手法はECMWFオブジェクト指向予測システムに実装されている。 その結果,オンライン学習が有効であることが確認され,オフライン学習よりも精度の高いモデル誤差補正が得られた。
  論文  参考訳（メタデータ） (2022-10-25T07:45:33Z)
• SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation [16.540748935603723]
  本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。 SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
  論文  参考訳（メタデータ） (2022-05-26T05:11:58Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Fast-Convergent Federated Learning [82.32029953209542]
  フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。 本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T14:37:51Z)

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。