PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.11000v1cs.LG

강수의 저순위 텐서 구조와 인공위성-참조 관측 결합에의 응용

Low-rank tensor structure of precipitation and its application to satellite-reference merging

강수의 간헐적이고 가변적인 특성은 광범위한 영역에 걸친 정확한 추정을 어렵게 만들지만, 시공간적 구조는 저순위 표현(low-rank representation)이 가능함을 시사합니다. 본 연구는 미국 본토(CONUS)의 일별 강수를 시공간 텐서(tensor)로 표현하고 CANDECOMP/PARAFAC 분해를 적용하여, 고유한 공간 및 시간 모드를 보존하는 것이 독립적인 일별 필드나 펼쳐진 시공간 행렬을 분해하는 것보다 더 정확한 재구성을 산출함을 보입니다. 이러한 발견을 바탕으로, 본 연구는 공유된 저순위 공간 및 시간 인자를 통해 인공위성 강수량과 희소한 참조 관측치를 통합하는 텐서 기반 프레임워크인 TMerge를 제안합니다. TMerge는 미국 본토에 대한 기후예측센터(CPC) 참조 관측치를 사용하여 IMERG Final Run 제품을 보정하는 데 적용되었습니다. 2019-2022년 동안 TMerge는 상관관계를 0.53에서 0.85로 증가시켰으며, 평균제곱근오차(RMSE)와 평균절대오차(MAE)를 각각 48.2%와 29.3% 감소시켰습니다. TMerge는 계절, 강수 강도 영역, 지역 전반에 걸쳐 선형 바이어스(bias) 보정, 분위수 매핑(quantile mapping), 신경망보다 일관되게 우수한 성능을 보였습니다. 개선 효과는 공간적으로 일관되었으며, IMERG 오차가 가장 컸던 해안 지역에서 가장 두드러졌습니다. 이러한 결과는 저순위 텐서 구조가 강수의 지배적인 시공간 변동성을 간결하게 근사하며, 광범위한 영역에 걸쳐 참조 관측이 제한된 상황에서 인공위성 추정치를 개선하기 위한 실용적인 메커니즘을 제공함을 입증합니다.

arXiv:2610.01890v1cs.CV

조건부 플로우 매칭을 활용한 라디오미터 영상 강수량 추정 향상을 위한 비지도 도메인 적응

Unsupervised Domain Adaptation for Enhanced Radiometer Image Precipitation Estimation using Conditional Flow Matching

최근 딥 생성 신경망은 정교한 텍스트 프롬프트를 활용하여 정밀한 이미지 및 비디오 편집에서 전례 없는 성능을 달성했습니다. 그러나 이러한 모델의 효과는 대규모의 라벨링된 지도 학습 이미지 데이터셋에 크게 의존하며, 이는 확보하기가 매우 어려울 수 있습니다. 이는 레이블 데이터와 겹치는 경우가 매우 드물고, 드물게 겹치는 경우에도 도메인 이동(domain shift)을 겪는 위성 기기의 경우 특히 두드러집니다. 본 논문에서는 위성 라디오미터(radiometer) 영상의 비지도 도메인 적응(unsupervised domain adaptation)을 위한 플로우 매칭(flow matching) 모델의 잠재력을 연구합니다. 우리의 주요 기여는 서로 다른 위성 기기를 조건으로 플로우 매칭 모델의 결정론적 상미분방정식(ordinary differential equations)의 일부를 활용하여 정밀한 도메인 정렬을 달성하는 새로운 비지도 방식입니다. 우리 접근법의 핵심적인 강점은 섭동(perturbation)이 이론상 전단사(bijective)이므로 임의의 도메인 간에 적응하면서도 필수적인 정보를 보존할 수 있다는 점입니다. GPM-Core 위성군을 대상으로 수행한 광범위한 실험을 통해 조건부 도메인 적응의 이점을 입증하였으며, 특히 라디오미터 영상 기반 강수량 추정 성능을 크게 개선함을 보여줍니다.