MP-MoE：降水予測のための行列プロファイルに導かれたMixture of Experts

arXiv cs.AI / 2026/3/27

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、熱帯地域におけるNWP（数値天気予報）のバイアス補正という課題に対処する、行列プロファイルに導かれたMixture of ExpertsフレームワークであるMP-MoEを提案する。
通常の強度（intensity）損失に加えて、部分系列（subsequence）レベルの類似性を用いる構造認識型の行列プロファイル目的関数を組み合わせることで訓練を改善し、小さな時間的ずれによって生じる「二重ペナルティ（double penalty）」を低減する。
本手法は、より信頼性の高い専門家（expert）選択を可能にし、位相のずれによる過度な罰則を抑えることで、嵐イベントの形状（モルフォロジー）を保持することを目指している。
複数の予測時間（1時間の強度および12/24/48時間の累積）にわたるベトナムの流域降雨データを用いた実験では、重い降雨に対してMean Critical Success Index（CSI-M）がより高くなり、またDTW（Dynamic Time Warping）は、生のNWPやベースラインの学習手法に比べて低いことが示される。

概要: 降水予測は、ベトナムのような熱帯地域において依然として根強い課題であり、複雑な地形と対流の不安定性がしばしば数値予報（NWP）モデルの精度を制限します。データ駆動型の事後処理はこれらのバイアスを軽減するために広く用いられていますが、既存の多くの枠組みは点ごとの目的関数に依存しており、わずかな時間のずれがあると ``double penalty''（二重罰）の効果が生じてしまいます。本研究では、従来の強度損失と、構造を意識したMatrix Profile（行列プロファイル）目的関数を統合する枠組みである、Matrix Profile-guided Mixture of Experts（MP-MoE）を提案します。点ごとの誤差ではなく、部分系列レベルの類似性を活用することで、提案する損失はより信頼性の高いエキスパート選択を可能にし、位相のずれによって引き起こされる過度な罰則を緩和します。MP-MoEを、ベトナムの2つの主要な河川流域における降雨データセットで、1時間の強度および12時間・24時間・48時間の累積降雨を含む複数の予報ホライズンに対して評価します。実験結果は、MP-MoEが大雨イベントにおける平均クリティカル・サクセス指数（CSI-M）の点で、生のNWPおよびベースラインの学習手法を上回り、さらにDynamic Time Warping（DTW）の値を大幅に低減することを示しています。これらの結果は、この枠組みが降雨のピーク強度を捉えるとともに、嵐事象の形態的な整合性を維持するうえで有効であることを明らかにしています。