論文の概要: Operator-Aware Posterior Sampling for Multivariate Weather Downscaling

• arxiv url: http://arxiv.org/abs/2610.39592v1
• Date: Thu, 29 Oct 2026 08:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:17:25.128602
• Title: Operator-Aware Posterior Sampling for Multivariate Weather Downscaling
• Title（参考訳）: 多変量気象ダウンスケーリングのための操作者対応後部サンプリング
• Abstract要約: 統計的ダウンスケーリングは、粗い入力から高解像度の気象場を再構築する作業である。 本稿では,誘導ループ内の2つの課題に対処する。 この正規化はブロック-マックスノルムの下での最も急降下に対応し、変数間の単一のガイダンス強度を実現する。
• 参考スコア（独自算出の注目度）: 19.468612375260417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistical downscaling is the task of reconstructing high-resolution meteorological fields from coarse inputs. A principled approach formulates downscaling as a Bayesian inverse problem, using a diffusion prior over high-resolution fields and incorporating the coarse field only at inference through a likelihood. This decouples the prior from the coarse source, allowing one pretrained model to adapt to different sources. However, two challenges limit this flexibility: (1) when coarse and target fields come from different reanalysis systems, no fixed coarsening operator can capture their relationship; and (2) guidance gradients can differ by orders of magnitude across variables, making a single guidance strength ineffective. This paper addresses both challenges within the guidance loop, leaving the prior unchanged. We learn the forward operator from paired data and normalize the gradient per channel. We show that this normalization corresponds to steepest descent under a block-max norm, allowing a single guidance strength across variables. Our code is publicly available at https://github.com/CarloSaccardi/operator-aware-weather-downscaling.
• Abstract（参考訳）: 統計的ダウンスケーリングは、粗い入力から高解像度の気象場を再構築する作業である。 原理的アプローチは、高分解能場に先立って拡散し、確率を通じて推論時にのみ粗い場を組み込むことにより、ベイズ逆問題としてダウンスケーリングを定式化する。 これにより、前者は粗いソースから切り離され、1つの事前訓練されたモデルが異なるソースに適応できる。 しかし、2つの課題がこの柔軟性を制限している:(1) 粗いフィールドと目標フィールドが異なるリアナリシス系から来るとき、固定された粗い演算子はその関係を捉えることができず、(2) 誘導勾配は変数間で桁違いに異なるため、単一の誘導強度が有効でない。 本稿では、誘導ループ内の2つの課題に対処し、事前の課題は変更しない。 我々は、ペアデータからフォワード演算子を学び、チャネルごとの勾配を正規化する。 この正規化はブロック-マックスノルムの下での最も急降下に対応し、変数間の単一のガイダンス強度を実現する。 私たちのコードはhttps://github.com/CarloSaccardi/operator-aware-weather-downscaling.comで公開されています。

関連論文リスト

• Spanning Diffusion and Flow-based Posterior Sampling via Exact Gaussian Conditioning [1.9754011041953696]
  フローマッチングと拡散モデルは、線形逆問題の前駆体としてますます使われている。 この研究は$$-Flowを提案し、フロー、拡散、非相関な先行を一般化する相関パラメータ$$でインデックス付けされた一般的なプラグアンドプレイ法である。 我々は,PSNRとSSIMの点で,4つのデータセットにまたがる7つの逆問題に対して,一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2026-10-09T16:24:23Z)
• Extending Pathwise Gradients to Discrete Random Variables via Finite-Order Relaxation [2.7358012865873476]
  パスワイズ勾配は、非バイアスで分散が低く、単一のサンプルを扱うため、連続確率変数に好まれる。 そこで本研究では,有限次完全パスワイズ推定器を構成するための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-06T05:30:48Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Guess & Guide: Gradient-Free Zero-Shot Diffusion Guidance [29.644504577943696]
  本稿では,デノイザネットワークによる勾配計算を不要とする軽量なサロゲートを提案する。 実験により,提案手法を用いることで,推定コストが劇的に低下することが確認された。 同時に、我々の手法は複数のタスクにおいて最も高い結果をもたらす。
  論文  参考訳（メタデータ） (2026-03-09T00:21:53Z)
• Ensemble Kalman Diffusion Guidance: A Derivative-free Method for Inverse Problems [21.95946380639509]
  アンサンブルカルマン拡散誘導(Ensemble Kalman Diffusion Guidance, EnKG)は、逆問題の解法である。 本研究では,様々な逆問題に対する EnKG の実証的有効性について検討した。 ソースコードはhttps://github.com/devzhk/enkg-pytorch.comで公開しています。
  論文  参考訳（メタデータ） (2024-09-30T10:36:41Z)
• Solution of physics-based inverse problems using conditional generative adversarial networks with full gradient penalty [0.41998444721319217]
  本研究は、事前分布から引き出された推定ベクトルのサンプルと物理ベースフォワードモデルを用いて、条件付きワッサーシュタイン生成逆数ネットワーク(cWGAN)のトレーニングデータを生成する。 cWGANは、測定に基づいて条件付き推定ベクトルの確率分布を学習し、この分布からサンプルを生成する。
  論文  参考訳（メタデータ） (2023-06-08T02:49:12Z)
• Bridging Discrete and Backpropagation: Straight-Through and Beyond [62.46558842476455]
  本稿では,離散潜在変数の生成に関わるパラメータの勾配を近似する新しい手法を提案する。 本稿では,Hunの手法とODEを解くための2次数値法を統合することで,2次精度を実現するReinMaxを提案する。
  論文  参考訳（メタデータ） (2023-04-17T20:59:49Z)
• Orthogonal Jacobian Regularization for Unsupervised Disentanglement in Image Generation [64.92152574895111]
  直交ジャコビアン正規化法(OroJaR)を提案する。 提案手法は, 絡み合った, 制御可能な画像生成に有効であり, 最先端の手法に対して好適に機能する。
  論文  参考訳（メタデータ） (2021-08-17T15:01:46Z)

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。