arXiv cs.AI· Yuan Gao, Fan Xu, Hao Wu, Xiaomeng Huang·· 3 天前AI 评分22
OceanFlow：面向概率海洋建模的连贯流匹配框架
OceanFlow: Coherent Flow Matching for Probabilistic Ocean Modeling
AI 导读
OceanFlow 是一个面向概率全球海洋建模的连贯流匹配框架，先为条件集合建立稳定均值锚点，再通过流匹配学习状态条件化的路径分布，在保持预测中心的同时细化状态相关不确定性。
正文 · AI 翻译
摘要：概率海洋建模对于风险感知的海洋作业、气候分析和科学决策至关重要，因为下游决策依赖于未来海洋状态的条件分布，而非单一的确定性轨迹。近期数据驱动的海洋模型使确定性全球海洋建模日益准确高效，但概率海洋建模仍发展不足。具体而言，扰动驱动的集合可以在不显式优化其成员联合分布的情况下产生离散度，往往导致校准不佳和物理不一致。为解决这些问题，我们提出 OceanFlow，一个用于概率全球海洋建模的连贯流匹配框架。OceanFlow 首先为条件集合建立一个锐利、稳定的均值锚点。随后，流匹配学习一个连贯的状态条件路径律，在每次转移时联合重塑该锚点周围的残差分布，在保留预测中心的同时细化状态相关的不确定性。我们进一步引入因子化动力学算子（FDO），它将因子化转移与学习到的状态条件响应相结合，以参数化均值锚点和残差流速度。大量实验表明，OceanFlow 在集合均值精度、概率可靠性和物理一致性诊断方面优于竞争基线，支持将连贯流匹配作为通往数据驱动概率海洋建模的有效途径。代码可在 此 https URL 获取。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15518 [cs.LG] |
| （或 arXiv:2610.15518v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15518 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yuan Gao [查看电子邮件]
[v1]
2026年10月11日星期日 10:35:18 UTC（26,647 KB）
来源：arXiv cs.AI · arxiv.org