論文の概要: Scale-aware and spatially-localised optimisation of kilometre-scale MLWP models

• arxiv url: http://arxiv.org/abs/2610.37325v2
• Date: Thu, 29 Oct 2026 08:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.527192
• Title: Scale-aware and spatially-localised optimisation of kilometre-scale MLWP models
• Title（参考訳）: キロスケールMLWPモデルのスケール認識と空間局在最適化
• Abstract要約: 本研究では, 大気場をスケール, 位置, 配向で制約する二本木複合ウェーブレット変換に基づく損失を導入する。 平均二乗誤差(MSE)とFFTに基づくスペクトル目標に対して、ウェーブレット損失はスペクトルの忠実度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 26.508137199597652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Preserving fine-scale structure without degrading spatial accuracy is a central challenge for kilometre-scale machine-learning weather prediction (MLWP). We introduce a loss based on the dual-tree complex wavelet transform that constrains atmospheric fields jointly by scale, location, and orientation. We evaluate its performance using an experimental joint global--regional FastNet configuration, which produces \SI{1.5}{km} forecasts over the UK alongside $\sim$\SI{31}{km} global forecasts. Relative to both mean-squared error (MSE) and an FFT-based spectral objective, the wavelet loss substantially improves spectral fidelity. Compared with MSE training, it maintains similar pointwise performance, improves neighbourhood-based verification, and produces sharper precipitation fields with more realistic intensity distributions. These results demonstrate that spatially localised wavelet constraints can preserve multiscale atmospheric structure while largely avoiding the loss of pointwise accuracy associated with globally supported spectral objectives.
• Abstract（参考訳）: 空間的精度を低下させることなく微細な構造を保存することは、数キロメートル規模の機械学習天気予報(MLWP)における中心的な課題である。 本研究では, 大気場をスケール, 位置, 配向で制約する二本木複合ウェーブレット変換に基づく損失を導入する。 実験的なグローバル-リージョンのFastNet構成を用いて、英国全体でのSI{1.5}{km}予測と、$\sim$\SI{31}{km}グローバル予測を併用して、その性能を評価する。 平均二乗誤差(MSE)とFFTに基づくスペクトル目標の両方に対して、ウェーブレット損失はスペクトルの忠実度を大幅に向上させる。 MSEトレーニングと比較して、同様のポイントワイズ性能を維持し、近隣での検証を改善し、より現実的な強度分布を持つよりシャープな降水場を生成する。 これらの結果から,空間的に局在したウェーブレットの制約は多スケールの大気構造を保ちながら,大域的に支持されたスペクトル目標に付随する点的精度の喪失を回避できることが示唆された。

関連論文リスト

• Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
  フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。 textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
  論文  参考訳（メタデータ） (2026-10-13T07:37:52Z)
• Frequency-Structured Field Learning for Light-Field Disparity Estimation [0.6670645305769822]
  FreqLF は、水平および垂直の EPI スタックから角視差キューをエンコードする EPI 誘導フレームワークである。 FreqLFは、大域的および局所的に更新されたEPI由来の潜在機能との相違を、相違ボリュームを明示的に構成することなく予測する。
  論文  参考訳（メタデータ） (2026-07-16T12:52:14Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• ViCrop-Det: Spatial Attention Entropy Guided Cropping for Training-Free Small-Object Detection [6.1221124436192875]
  ViCrop-Detは、適応的な空間信頼領域収縮を導入する、トレーニング不要な推論フレームワークである。 RT-DETR-R50 と Deformable DETR に +1-3 mAP@50 を連続的に追加し,20-23% の遅延オーバヘッドを有することを示す。 計算マッチング設定下では、適応的ルーティング戦略は、一様スライシングベースラインを包括的に超越し、高度に最適化された精度-速度トレードオフを実現する。
  論文  参考訳（メタデータ） (2026-04-29T15:35:03Z)
• Downscaling weather forecasts from Low- to High-Resolution with Diffusion Models [0.42709045995535977]
  我々は,アネモイフレームワーク内に実装された大域大気下降の確率的拡散に基づく手法を提案する。 このアプローチは、より微細な残差の条件分布を学習することにより、低分解能アンサンブル予測を高分解能アンサンブルに変換する。 このシステムは、ECMWF IFSから、100kmの粗い磁場を用いて、30kmの解像度で微細な変動を再現するために、再放送ペアを訓練する。
  論文  参考訳（メタデータ） (2026-03-30T09:38:36Z)
• Skillful Kilometer-Scale Regional Weather Forecasting via Global and Regional Coupling [13.378669933059015]
  本稿では,地域気象予報のためのグローバル・リージョン結合フレームワークを提案する。 Transformerベースのグローバルモデルと、新しい双方向結合モジュールであるScaleMixerを介して、高解像度の地域ネットワークを結合する。 このフレームワークは、$0.05circ$(sim 5 mathrmkm$ )で、中国の1時間の解像度で、グリッド化されたリアナリシスデータとリアルタイム気象観測の両方で、運用上のNWPとAIベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-03-30T08:40:36Z)
• Deep learning methods for modeling infrasound transmission loss in the middle atmosphere [5.842419815638353]
  我々は,世界規模でシミュレーションされた温度と風場からTLを予測しながら,予測誤差を最小限に抑えるために,最適化された畳み込みネットワークを開発した。 実装されたモデルは、周波数帯全体(0.1-3.2Hz)における平均誤差8.6dBのTLを予測し、現実的な大気シナリオを探索する。
  論文  参考訳（メタデータ） (2025-06-02T13:10:29Z)
• Locally Estimated Global Perturbations are Better than Local Perturbations for Federated Sharpness-aware Minimization [81.32266996009575]
  フェデレートラーニング(FL)では、クライアント間の複数ステップの更新とデータの均一性が、よりシャープなミニマによるロスランドスケープにつながることが多い。 クライアント側におけるグローバルな摂動方向を局所的に推定する新しいアルゴリズムであるFedLESAMを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:46:21Z)
• AdaSfM: From Coarse Global to Fine Incremental Adaptive Structure from Motion [48.835456049755166]
  AdaSfMは粗粒度適応型SfMアプローチであり、大規模かつ挑戦的なデータセットにスケーラブルである。 当社のアプローチはまず,低コストセンサによる計測を利用して,ビューグラフの信頼性を向上させる,粗大なグローバルSfMを実現する。 本手法では,全局所再構成をグローバルSfMの座標フレームに整合させるため,しきい値適応戦略を用いる。
  論文  参考訳（メタデータ） (2023-01-28T09:06:50Z)

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。