论文
用于高效天气集合的扩散 蒸馏
Diffusion Distillation for Efficient Weather Ensembles
摘要
扩散模型可以生成巧妙的天气集合，但需要昂贵的迭代采样。我们引入了一种监督能量距离 蒸馏 方法，通过将学生预测与教师样本和 真值 观测值对齐，将多步扩散教师压缩为单步学生。全球预测和台风路径预测的实验表明，我们的学生优于现有的 蒸馏 方法，并保留了极端事件的技能。它在关键指标上匹配或超越了老师，每个自回归步骤仅使用一次神经功能评估。
Diffusion Distillation for Efficient Weather Ensembles
扩散模型可以生成巧妙的天气集合，但需要昂贵的迭代采样。我们引入了一种监督能量距离 蒸馏 方法，通过将学生预测与教师样本和 真值 观测值对齐，将多步扩散教师压缩为单步学生。全球预测和台风路径预测的实验表明，我们的学生优于现有的 蒸馏 方法，并保留了极端事件的技能。它在关键指标上匹配或超越了老师，每个自回归步骤仅使用一次神经功能评估。