論文の概要: Generative Forecasting from Coarse-Grained Observations: When Does Cascading Help?

• arxiv url: http://arxiv.org/abs/2611.00686v1
• Date: Sat, 31 Oct 2026 06:25:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:16:16.483144
• Title: Generative Forecasting from Coarse-Grained Observations: When Does Cascading Help?
• Title（参考訳）: 粗粒観測から生成する予測:カスケードはいつ役に立つのか?
• Abstract要約: 生成予測器は、視覚的に可視なサンプルを生成することができるが、正しい条件分布をサンプリングするかどうかを判断することは困難である。 粗い初期状態ごとに階層的な参照データを生成する。 標準拡散モデルと補間剤が実質的な分布誤差を生じさせることを示す。 本研究では,未解決スケールと観測スケールの結合が強くなるにつれて,最適カスケード深さが減少することを示す可解モデルを提案する。
• 参考スコア（独自算出の注目度）: 40.05252174431854
• License:
• Abstract: We study probabilistic forecasting of dynamical systems such as fluids and waves from coarse observations. Since the unseen fine scales influence the dynamics, the same coarse initial state can evolve into a whole distribution of futures. Generative forecasters may produce visually plausible samples, but it is hard to tell whether they sample the right conditional distribution, since trajectory data contain a single future for each initial state. We address this problem by generating reference data in a hierarchical way: for each coarse initial state, we generate many different fine-scale components and numerically evolve the full states. Using these conditional ensembles, we show that standard diffusion models and stochastic interpolants make substantial distributional errors. We then show that cascading shorter forecasts greatly reduces these errors for the turbulent flows and waves we study, but we also find and characterize cases in which it hurts. Since the coarse process is not Markov, cascading discards information about the unresolved fine scales even with exact transitions. To understand this, we propose a solvable analytic model which shows that the optimal cascade depth decreases as the coupling between the unresolved and observed scales gets stronger, and increases as the dependence of the forecast on the observation becomes more oscillatory. Consistent with our experiments, cascading is detrimental when the direct forecast is ``easy'' to learn, for example Gaussian as in the passive scalar case. We release our datasets as a first benchmark for probabilistic forecasting with ground-truth conditional ensembles.
• Abstract（参考訳）: 粗い観測から流体や波動などの力学系の確率論的予測について検討した。 目に見えない微細スケールがダイナミクスに影響を与えるため、同じ粗い初期状態が未来全体の分布へと進化することができる。 生成予測器は視覚的に可視なサンプルを生成することができるが、軌道データは初期状態毎に1つの未来を含むため、正しい条件分布をサンプリングするかどうかを判断することは困難である。 この問題は、階層的な方法で参照データを生成することで解決し、各粗い初期状態に対して、多数の微細なコンポーネントを生成し、全状態を数値的に進化させる。 これらの条件付きアンサンブルを用いて、標準拡散モデルと確率補間剤が実質的な分布誤差を生じさせることを示す。 次に、カスケードの短い予測が、我々の研究する乱流や波動の誤差を大幅に減少させることを示した。 粗い過程はマルコフではないので、カスケードは正確な遷移であっても未解決の微細スケールに関する情報を捨てる。 これを理解するために、未解決スケールと観測スケールの結合が強くなるにつれて最適カスケード深さが減少し、観測に対する予測の依存性がより発振するにつれて増大することを示す可解解析モデルを提案する。 我々の実験と一致して、カスケードは直接予測が 'easy'' であるときに有害であり、例えば、受動スカラーの場合のようにガウス的である。 我々は,地道条件アンサンブルを用いた確率予測のための最初のベンチマークとして,データセットをリリースする。

関連論文リスト

• Conditional Flow Models Convert Epistemic Uncertainty into Apparent Aleatoric Variance [29.68122297871103]
  条件付きフローモデル(CFM)は、機械学習をまたいだ決定論的予測に置き換わっている。 多くの自然界では、CFMサンプルは真の条件分布よりも頻繁に大きな分散を持つ。 この効果は、モデルが条件変数への依存を解決していない場合に最も顕著である。 誘導分散トラックは、複雑な目標や不適合な目標をモデル化し、追加のトレーニングやデータにより減少することを示す。
  論文  参考訳（メタデータ） (2026-10-21T04:02:35Z)
• Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective [62.26673106147725]
  条件付き生成モデル問題として,イベントシーケンスのマルチ水平予測について検討する。 予測は予測精度だけでなく,分布的リアリズムについても評価する。 本稿では,現実主義・強拡散モデルからのサンプルを最先端の予測器に集約するアルゴリズムであるWasserstein BaryBoosterを紹介する。
  論文  参考訳（メタデータ） (2026-10-08T18:07:47Z)
• Probabilistic Spatial Interpolation of Sparse Data using Diffusion Models [0.0]
  本研究では,1%の観測範囲から全温度場を再構成する条件付きデータ計算フレームワークを提案する。 我々は,2018-2020年夏期の午後の気温場に着目して,南大平原の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-05-26T21:19:09Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Performative Prediction with Neural Networks [24.880495520422]
  パフォーマンス予測は、予測するデータに影響を与えるモデルを学習するためのフレームワークである。 繰り返しリスク最小化法を用いて、性能的に安定な分類器を見つけるための標準収束結果は、データの分布がモデルのパラメータに連続であることを仮定する。 この研究では、データ分布はモデルの予測に関してリプシッツ連続であると仮定する。
  論文  参考訳（メタデータ） (2023-04-14T01:12:48Z)
• Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
  本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。 我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-14T17:26:35Z)

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。