PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02611v1cs.LG

소수 스텝 강수 앙상블을 위한 스케일 재귀적 정류 흐름

Scale-Recursive Rectified Flows for Few-Step Precipitation Ensembles

고해상도 강수 추정치는 홍수 위험 평가와 수자원 관리를 지원하지만, 저해상도 위성 관측 자료는 각 격자 셀 내의 강우를 세밀하게 분해하지 못합니다. 생성 모델(generative model)은 그럴듯한 고해상도 강우장의 앙상블(ensemble)을 생성함으로써 이러한 모호성을 해결합니다. 이러한 모델 중 정류 흐름(rectified flow)은 무작위 노이즈를 강우장으로 반복 변환하여 샘플을 생성합니다. 샘플링 스텝 수를 줄이면 생성 속도는 빨라지지만 앙상블 구성원들이 지나치게 유사해져 불확실성을 과소평가할 수 있습니다. 본 연구에서는 국소적 세부 정보에 앞서 광역 패턴을 먼저 생성하고, 공간 스케일 전반에서 앙상블 변동성과 예측 오차를 비교하여 샘플링 스텝 할당을 유도하는 스케일 재귀적 정류 흐름(scale-recursive rectified flow)을 제안합니다. 검증(validation) 점수와 강우 파워 스펙트럼을 통해 할당을 제한함으로써 과도한 증폭을 방지합니다. 미국 본토를 대상으로 한 위성-레이더 다운스케일링 실험에서, 분석 결과 샘플링 예산이 줄어들었을 때 광역 강우 패턴이 불충분한 앙상블 변동성의 주요 원인임을 확인했습니다. 동일한 아키텍처 및 계산 비용 하에서 조대(coarse) 흐름에 더 많은 스텝을 할당한 결과, 여러 학습(training) 시드 전반에서 확률적 정확도와 강우 탐지 성능이 향상되었습니다. 또한 제안된 모델은 더 많은 스텝을 사용하는 비재귀적 흐름보다 더 짧은 샘플링 시간으로도 더 우수한 확률적 정확도를 달성했습니다.

arXiv:2605.13181v2cs.LG

신뢰할 수 있는 강수 단기 예측을 위한 안정적인 어텐션 응답

Stable Attention Response for Reliable Precipitation Nowcasting

강수 단기 예측은 대기 역학의 고도로 국지적이고, 빠르게 변하며, 이질적인 특성으로 인해 여전히 어려운 과제이다. 최근 방법들은 단일 모드(unimodal)와 다중 모드(multimodal) 설정 모두에서 어텐션 기반 아키텍처를 점점 더 많이 채택하고 있지만, 주로 더 강력한 표현 학습과 예측 능력에 중점을 두는 반면, 샘플 간 어텐션 응답의 안정성에는 상대적으로 덜 주목한다. 본 연구에서는 샘플 간 어텐션-응답(attention-response) 에너지의 불안정성이 예보 신뢰성 부족의 중요하면서도 이전까지 충분히 탐구되지 않은 원인임을 보인다. 경험적으로, 부정확한 예보는 헤드와 레이어 전반에 걸친 더 큰 어텐션-응답 에너지 분산이 동반된다. 이론적으로, 샘플 간 변동성이 self-attention을 통해 전파될 수 있으며, 예측 오류의 하한을 확대할 수 있음을 보인다. 이러한 통찰에 기반하여, 강수 단기 예측을 위한 헤드별 어텐션 응답 에너지 조절(Head-wise Attention Response Energy-regulated) 프레임워크인 HARECast를 제안한다. HARECast는 헤드별 어텐션-응답 에너지를 명시적으로 모델링하고, 샘플 간 변동을 줄이는 그룹별 정규화 목적함수를 통해 이를 안정화한다. 제안된 공식화는 일반적이며 단일 모드와 다중 모드 단기 예측 아키텍처 모두에 적용 가능하다. 우리는 재구성 분기와 diffusion 기반 예측기를 갖춘 표준 예보 파이프라인에 HARECast를 구현하고, 널리 사용되는 벤치마크인 SEVIR과 MeteoNet에서 이를 평가한다. 실험 결과, HARECast가 최신(state-of-the-art) 성능을 달성함을 보여준다.

arXiv:2511.11090v3cs.CV

강수 단기 예보를 위한 공간-시간 트랜스포머

A Space-Time Transformer for Precipitation Nowcasting

최근까지 수치 일기 예측(NWP) 모델은 몇 가지 한계에도 불구하고 운영 예보에서 독보적인 위치를 차지해 왔다. 구체적으로, 물리 기반 모델은 계산 비용이 크고 짧은 선행 시간(lead time)에서 성능이 떨어져 단기 예보(nowcasting)에서의 활용도가 낮다. 이러한 단점에 기인하여, 최근 연구들은 신경망으로 분석 데이터를 모방하는 AI 기반 일기 예측(AI-WP) 대안을 제안한다. 이러한 데이터 기반 접근법은 중기 예보에서 높은 예측 skill을 달성했지만, 강수 및 단기 예보에 대한 AI-WP 적용은 상대적으로 덜 탐구되었다. 이에 본 논문은 강수 단기 예보에 맞게 조정된 비디오 트랜스포머인 SaTformer를 논의한다. 본질적으로 fat-tailed 회귀 과제와 관련된 몇 가지 문제를 완화하기 위해, 단기 예보를 분류 문제로 공식화하고 빈도 가중 손실을 사용하는 것이 타당하다고 판단했다. 이 단순한 접근법은 NeurIPS Weather4Cast 2025 「Cumulative Rainfall(누적 강수)」 챌린지에서 1위를 기록했다. 코드와 모델 가중치는 github.com/leharris3/satformer에서 이용할 수 있다.

arXiv:2606.18436v2stat.ML

점별(Pointwise) 관측은 무의미한가? 그래프 신경망을 활용한 강수 단기예측을 위한 멀티모달 소거 연구

Pointwise is Pointless? A Multimodal Ablation Study for Precipitation Nowcasting with Graph Neural Networks

강수 단기예측(precipitation nowcasting)에 활용할 수 있는 희소한 점별(sparse point) 관측 데이터가 점점 더 많아지고 있지만, 이것이 조밀한 레이더 필드(radar-field) 예측을 얼마나 개선하는지는 불분명합니다. 우리는 북유럽(Nordic) 레이더 영역에 적용한 멀티모달 그래프 신경망(graph neural network) 단기예측 시스템을 통해 이 질문을 부분적으로 다룹니다. 이 모델은 최대 2시간까지 5분 간격으로 강수율을 예측하며, 레이더 과거 데이터, MEPS 수치 예보(NWP), Netatmo 지표 관측, MSG 위성 채널, 확률적 노이즈, CRPS 기반 앙상블 손실(ensemble losses)의 다양한 조합으로 학습되었습니다. 이 연구는 운용적으로 관련 있는 정보 소스와 학습 목표에 대한 소거 연구(ablation study)로 설계되었습니다. 우리는 레이더 그리드 상, 관측소 위치, 강우 시작 시점에 대한 상호 보완적인 진단(diagnostic)과 오라클(oracle), 변위(displacement), 진폭(amplitude) 점수를 사용하여 레이더 전용, NWP 기반, 관측소 기반, 위성 기반, 노이즈 증강, CRPS 기반 구성을 비교합니다. 결과에 따르면 각 소스는 예측 문제의 서로 다른 부분을 개선합니다. MEPS는 레이더 전용 외삽(extrapolation)을 안정화하고, Netatmo 관측은 지역 관측소 및 강우 시작 진단을 개선하며, 위성 예측 변수는 일부 관측소 수준의 편향을 줄이지만 결정론적으로 사용될 경우 비를 너무 일찍 예측할 수 있습니다. CRPS 기반 구성은 가장 일관된 레이더 그리드 성능 향상을 제공하는 반면, 위성과 CRPS를 결합한 설정은 전반적으로 가장 우수한 오라클(oracle)/DAS 점수를 보여줍니다. 이러한 결과는 점 관측이 단기예측에 정보를 제공하지 않는다는 결론을 뒷받침하지 않지만, 지역적 관측 기술(skill)과 공간적으로 응집된 레이더 필드(radar-field) 기술(skill)이 서로 다른 목표임을 보여줍니다. 실질적인 시사점은 희소 관측이 유용한 지역적 제약 조건을 제공할 수 있지만, 레이더와 유사한 필드에 대한 이점은 학습 손실(loss), 불확실성 표현, 그리고 모델에 관측 지원(support)이 어떻게 인코딩되는지에 달려 있다는 것입니다.