Fugu-MT 論文翻訳(概要): Distinguishing Initial-Condition and Model Error Using Machine-Learning Weather Models

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

arxiv url: http://arxiv.org/abs/2611.05592v2
Date: Thu, 05 Nov 2026 07:06:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 21:50:50.397701
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: モデル最適化と初期条件 (IC) の最適化を比較し, それぞれを同時に調整するジョイント最適化を比較した。エラーの原因をよりよく識別するために,共同最適化時にIC更新をゲートするスーパーバイザとして,第2のモデルであるPangu-Weatherを導入する。その結果、このクロスモデル制約は、同じ最適化ICに対する2つのモデル間の一致を大幅に改善することを示した。
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: Differentiable weather models allow atmospheric initial conditions to be directly optimized to shadow a known trajectory, which we take from a reanalysis dataset. Here, we extend this optimization to include the forecast model, GraphCast, using low-rank adaptation (LoRA). We compare model optimization with initial-condition (IC) optimization, and then joint optimization, where both are tuned simultaneously. When compared against a control forecast initialized with reanalysis data, LoRA and IC optimization individually produce similar improvements. We find similar results when IC and LoRA are jointly optimized across a spectrum of solutions where a tuning coefficient smoothly shifts the weight of the joint optimization from all-LoRA to all-IC; forecast improvement is not unique to the relative contributions of model and IC corrections. To better discriminate the source of error, we introduce a second model, Pangu-Weather, as a supervisor that gates IC updates during joint optimization. This gated optimization is the same as before, except that IC updates at each epoch are accepted only when they improve the forecasts of both models; otherwise, only the LoRA update is accepted. Results show that this cross-model constraint substantially improves agreement between the two models in their response to the same optimized ICs, narrowing the gap in mean forecast error reduction from 64% to 10%. Moreover, when used together, the LoRA and IC corrections from the gated optimization yield GraphCast forecast improvements similar to those from the ungated optimization. These results imply that model error that is encoded in the ungated ICs is shifted to the LoRA corrections via gating, yielding IC corrections that may provide better analysis estimates.
Abstract（参考訳）: 異なる気象モデルにより、大気の初期条件を直接最適化し、既知の軌道を影にすることができる。ここでは、低ランク適応(LoRA)を用いた予測モデルであるGraphCastを含むように、この最適化を拡張した。モデル最適化と初期条件 (IC) の最適化を比較し, それぞれを同時に調整するジョイント最適化を比較した。再解析データと初期化される制御予測と比較すると、LoRAとICの最適化は個別に同様の改善をもたらす。 ICとLoRAを協調的に最適化すると, 調整係数が全LoRAから全ICにスムーズに変化し, 予測精度はモデルとIC補正の相対的寄与に比例しない。エラーの原因をよりよく識別するために,共同最適化時にIC更新をゲートするスーパーバイザとして,第2のモデルであるPangu-Weatherを導入する。このゲート最適化は前と同じだが、各エポックにおけるIC更新は両モデルの予測を改善する場合にのみ受け入れられる。その結果, このクロスモデル制約は, 同じ最適化ICに対する2モデル間の一致を著しく改善し, 平均予測誤差低減のギャップを64%から10%に短縮することを示した。さらに、同時に使用すると、ゲート最適化のLoRAとICの補正により、アンゲート最適化のGraphCast予測の改善が得られる。これらの結果は、非ゲートICに符号化されたモデル誤差がゲーティングによってLoRA補正に移行し、より良い解析推定を提供するIC補正が得られることを示唆している。

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。