SynCast：通过扩散序列偏好优化综合降水预报中的矛盾点
机器学习
2025-10-28 v1
摘要
基于雷达回波的降水预报在监测极端天气和支持灾害防治方面发挥着关键作用。尽管深度学习方法取得了显著进展，但仍面临显著局限。例如，确定性模型倾向于产生过于平滑的预测，难以捕捉极端事件和细粒度降水模式。概率生成模型由于内在随机性，往往在不同指标上表现波动，很少能持续达到最佳结果。此外，降水预报通常使用多个指标评估，其中一些指标本质上存在冲突。例如，关键成功指数（CSI）与错误警报比率（FAR）之间常存在权衡，使现有模型难以在两者同时达到最佳。为此，我们首次将偏好优化引入降水预报，受大型语言模型中基于人类反馈的强化学习成功的启发。具体提出 SynCast 方法，采用扩散序列偏好优化（Diffusion-SPO）的两阶段后训练框架，逐步对齐冲突指标，实现持续优异性能。在第一阶段，框架聚焦降低 FAR，训练模型有效抑制误报。在此基础上，第二阶段进一步优化 CSI，但约束条件保持 FAR 的对齐，从而实现这些冲突指标的协同改进。
关键词
引用
@article{arxiv.2510.21847,
title = {SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization},
author = {Kaiyi Xu and Junchao Gong and Wenlong Zhang and Ben Fei and Lei Bai and Wanli Ouyang},
journal= {arXiv preprint arXiv:2510.21847},
year = {2025}
}