論文の概要: Distinguishing Initial-Condition and Model Error Using Machine-Learning Weather Models

• arxiv url: http://arxiv.org/abs/2611.05592v1
• Date: Tue, 03 Nov 2026 20:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.842495
• Title: Distinguishing Initial-Condition and Model Error Using Machine-Learning Weather Models
• Title（参考訳）: 機械学習気象モデルを用いた初期条件とモデル誤差の識別
• Abstract要約: GraphCastとPangu-Weatherでゲーテッド最適化とアンゲート最適化が評価された。 y軸距離は、ERA5に対する1-10 Z500 RMSEの合計日である。 Gatingはより優れたPanguパフォーマンスを保証していないが、36ケースすべてで同等のGraphCastとPangu-Weatherが改善されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gated and ungated optimizations evaluated in GraphCast and Pangu-Weather. The first panel (upper-left) shows the mean over the 36 dates; remaining panels show first-of-month 12 UTC optimization descents from January-November 2017. The y-axis metric is the summed day 1-10 Z500 RMSE verified against ERA5, expressed as percent change from each model's date-matched control. The gated arm optimizes the initial conditions jointly with a LoRA weight correction; its GraphCast curve uses the initial conditions alone (LoRA removed), the same state Pangu receives. Stars and diamonds mark the lowest Pangu errors in the 5- and 10-day windows, respectively. Percentages above each panel show the best Pangu improvement relative to control for gated (green) and ungated (red) optimization. Ungated outperforms gated on half of dates when stopped early. Gating does not guarantee a better Pangu performance, but it does produce more comparable GraphCast and Pangu-Weather improvements on all 36 cases.
• Abstract（参考訳）: GraphCastとPangu-Weatherで評価されたGatedとUngatedの最適化。 最初のパネル(左上)では、36日の平均が示され、残りのパネルでは2017年1月から11月にかけて、月の12 UTC最適化が下降している。 y軸メートル法は、ERA5に対して検証された1-10 Z500 RMSEの合計日であり、各モデルの日付が一致した制御からの変化率として表される。 ゲートアームは初期条件をLoRAの重み補正と共同で最適化する; GraphCast曲線は初期条件のみを使用する(LoRA除去)が、Panguが受け取る状態と同じである。 星とダイヤモンドはそれぞれ5日間と10日間の窓で最低のパング誤差を示す。 各パネル上のパーセントは、ゲート(緑)とアンゲート(赤)の最適化に対するコントロールに対して、最高のPangu改善を示している。 未公開の成績は早めに止まった時の半分の日付で上昇した。 Gatingはより優れたPanguパフォーマンスを保証していないが、36ケースすべてで同等のGraphCastとPangu-Weatherが改善されている。

関連論文リスト

• GraphCast-Mamba: Learning Non-Markovian Corrections for Weather Forecasting [1.1953458990703896]
  未解決の大気プロセスは、多くの気象予報モデルで使用される短い入力ウィンドウを超えて履歴に依存する可能性がある。 GraphCast--Mambaは、トレーニング可能なMamba修正ブランチで、冷凍でトレーニング済みの1円のGraphCastバックボーンを拡張します。 ウォームアップを含む2,500の更新を経て、選択されたモデルは、修正されていないGraphCastバックボーンに対して大幅に改善されている。
  論文  参考訳（メタデータ） (2026-10-20T16:52:01Z)
• ClosureBench: A Constructive Benchmark for Compositional Graph Reasoning [1.827510863075184]
  ClosureBenchはグラフ関係推論のための構築的なベンチマークである。 証明済みの真実だ 1.5Bのオープンウェイトからフロンティアシステムへのモデルの評価を行った。
  論文  参考訳（メタデータ） (2026-08-18T18:36:21Z)
• Machine Learning and ARIMA Model Averaging for Adaptive Public Health Forecasting: Comparative Evaluation and an Ontario COVID-19 Case Study [3.571803295833193]
  公衆衛生予報は、過度な騒音、報告成果物、一時的なトレンドを伴わずに、監視データの急激な変化に対応しなければならない。 本研究は,2020年1月から2023年10月までの190件のオンタリオ・COVID-19患者を対象に,自己回帰統合移動平均 (ARIMA) , ランダム森林, 極度勾配上昇促進 (XGBoost) モデルの評価を行った。 また,予測水平および応答性設定によって異なる重みを持つ非負のパフォーマンス重み付けアンサンブルである機械学習とARIMAモデル平均化(MLAMA)を開発した。
  論文  参考訳（メタデータ） (2026-08-07T19:22:11Z)
• Zero-Observation User Reactivation with Gap-Driven Dimensional Gating [3.5844676508083713]
  DeltaGateは、バックボーンを凍結に保つ軽量な出力層プラグインで、パーソナライズされた履歴と学習済みの0dグローバルプレロードの間に各表現をルーティングする。 凍結されたプラグインは、ゼロのバックボーンドリフトを保存し、トレーニング可能なパラメータを約40倍少なくし、観察可能な次元を維持できる。
  論文  参考訳（メタデータ） (2026-07-22T06:32:34Z)
• TopoPrimer: The Missing Topological Context in Forecasting Models [0.0]
  TopoPrimerは,時系列のグローバルなトポロジカルな構造を,任意の予測モデルに対する明示的な入力とするフレームワークである。 TopoPrimerは、さまざまな領域にわたる精度を改善し、季節的な需要急増下での予測を安定化し、コールドスタートギャップを閉じる。
  論文  参考訳（メタデータ） (2026-05-14T16:30:25Z)
• Model Editing with Canonical Examples [75.33218320106585]
  標準例を用いたモデル編集について紹介する。 例えば、モーリシャスの首都はポートルイである。 本稿では,各標準例に対して数個の感覚ベクトルを選択し,微調整するセンスファインタニングを提案する。
  論文  参考訳（メタデータ） (2024-02-09T03:08:12Z)
• QLoRA: Efficient Finetuning of Quantized LLMs [66.58009990713134]
  我々は,48GBのGPU上で65Bパラメータモデルを微調整するのに十分なメモリ使用量を削減する,効率的な微調整手法QLoRAを提案する。 QLoRAは凍結した4ビット量子化事前学習言語モデルを通して低ランクアダプタ(LoRA)に逆伝搬する 最高のモデルファミリであるGuanacoは、Vicunaベンチマークでリリースされたすべてのモデルより優れています。
  論文  参考訳（メタデータ） (2023-05-23T17:50:33Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• RAGO: Recurrent Graph Optimizer For Multiple Rotation Averaging [62.315673415889314]
  本稿では,複数回転平均化(MRA)のための深部繰り返し回転平均化グラフ(RAGO)を提案する。 我々のフレームワークは、実世界のアプリケーションに小さなサイズでデプロイされた、リアルタイムに学習から最適化するローテーション平均化グラフである。
  論文  参考訳（メタデータ） (2022-12-14T13:19:40Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)

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。