技術要約：残差ギャップに留意せよ：実世界のバイアス下における確率的ダウンスケーリング

1. 問題定義

本論文は、低解像度（LR）入力を条件として高解像度（HR）の地球物理場の条件付き分布をモデリングするタスクである、確率的ダウンスケーリングを取り上げている。これは、大気科学や気候モデリングにおいて、微細なダイナミクスがハザード評価や不確実性を考慮した意思決定に不可欠である一方で、それらを直接シミュレーションするには計算コストが非常に高いという重要な課題である。

核心となる困難は、LRとHRのデータソースが系統的なバイアスや不一致（例：数値モデルの定式化、データ同化、または格子投影の違い）を示す実世界のアプリケーションにおいて発生する。これらの「ダウンスケーリング・バイアス」により、単純な補間を超えた逆問題は不良設定（ill-posed）となる。

著者らは、広く採用されている**平均–残差分解（mean–residual decomposition）**パラダイムにおける特定の失敗モードを特定している：

1. 標準的なアプローチ： 決定論的な回帰器が粗い近似値（$\mu_\phi(x)$）を予測し、続いて確率的生成器（拡散モデルなど）が、微細な詳細と確率的な広がりを加えるための残差（$r = y - \mu_\phi(x)$）を予測する。
2. 失敗の形態： バイアスのある設定では、このアプローチは頻繁に過小分散なアンサンブル（アンサンブルの広がりがアンサンブル平均誤差よりも著しく小さい状態）を生み出す。
3. 根本原因： 著者らは、これが単なる確率的サンプラーのキャリブレーションの問題ではなく、根本的な**残差ターゲットの誤指定（residual target misspecification）**であると主張している。なぜなら、残差はアップストリームの平均予測器（$\mu_\phi$）に対して定義されており、$\mu_\phi$ が訓練特有のバイアスに過学習するため、訓練中に観察される残差の分布（$R_{tr}$）は、テスト時に必要とされる補正の分布（$R_{te}$）と系統的に異なるからである。この残差ターゲット自体の訓練–テスト間のミスマッチが、不適切なキャリブレーションを招く。

2. 手法：ReMatch (Residual Distribution Matching)

残差ターゲットの誤指定に対処するため、著者らは、保持されたキャリブレーション・セットを用いて訓練時の残差分布をテスト時のレジームに整合させる3段階のフレームワークであるReMatchを提案している。

ステージ1：高解像度平均場の推定

訓練分割に対して、点ごとの回帰損失（例：$L_p$ ノルム）を最小化するように決定論的なアップストリーム予測器 $\mu_\phi(x)$ を訓練する。これにより、ターゲット場の構造化された決定論的近似が得られる。

ステージ2：最適輸送による残差ターゲットの整合

これが核心となる革新である。ReMatchは、テストのレジームを表すキャリブレーション分割（保持されたデータ）を使用して、訓練時の残差を期待されるテスト時の補正へと整合させる。

• メカニズム： この手法は、訓練時の残差をキャリブレーション時の残差の分布へと写像するために、**最適輸送（Optimal Transport: OT）**を採用している。
• コスト関数： 訓練サンプル $i$ とキャリブッションサンプル $j$ の間の輸送コスト $c_{ij}$ は、以下を組み合わせる：
  1. 高次元性とノイズに対処するための、低次元のPCA空間における残差の類似性。
  2. 残差が互換性のある大規模入力間でのみ輸送されることを保証するための、低解像度条件付けの一貫性（$\ell_{tr}$ 対 $\ell_{cal}$）。
• 変換： 訓練時の残差は、OTによって重み付けされたキャリブレーション残差の組み合わせへと置き換えられる。これにより、LR入力、疑似平均、および輸送された残差の間の構造的な関係を維持しながら、訓練分布をキャリブレーション・レジームへとシフトさせる。

ステージ3：拡散による残差生成

条件付き拡散モデル $q_\theta(r | x, \mu)$ を用いて、確率的な残差補正を生成するように訓練する。極めて重要な点は、このステージの訓練データが以下で構成されることである：

1. （OTによって残差が整合された）輸送された訓練サンプル。
2. オリジナルのキャリブレーション・サンプル。

これにより、平均–残差分解の統計的な利点を維持しつつ、確率的生成器がテスト時のレジームに一致する残差ターゲットに基づいて訓練されることを保証する。

3. 主な貢献

1. 理論的洞察： 本論文は、ダウンスケーリングにおける過小分散に関する厳密な説明を提供し、残差ターゲットの誤指定を主要な原因として特定している。これは、残差ターゲットの訓練–テスト間のミスマッチを定式化し、残差の大きさ（エネルギー）のギャップが残差分布のギャップ（ワッサースタイン距離を通じて）を意味することを証明している。
2. ReMatchフレームワーク： テストラベルを必要とせず、キャリブレーション・セットのみを使用して残差分布を整合させる、最適輸送を用いた実用的なソリューションを提供する。
3. 実証的検証： 以下の両方を用いた包括的な評価を行う：
   • 系統的に変化させたLR–HRバイアスレベルを持つ合成ベンチマーク（BLASTNet）。
   • 米国全域の風場に関する実世界のタスク（ERA5（粗い）からHRRR（細かい）へのダウンスケーリング）。

4. 実験結果

合成ベンチマーク（バイアス制御下）

• 観察： LR–HRバイアスが増大するにつれ、標準的な平均–残差モデル（CorrDiff）は性能が低下する：RMSEが増加し、SSR（Spread–Skill Ratio）が減少しており、これは深刻な過小分散を示している。
• ReMatchの性能： ReMatchは、すべてのバイアスレベルにおいてRMSEとSSRの両方を一貫して改善する。キャリブレーション（SSR）の改善はバイアスレベルが高くなるほど顕著になり、残差分布のマッチングがターゲットの誤指定の影響を軽減することを裏付けている。

実世界の風場ダウンスケーリング (ERA5 $\to$ HRRR)

• 指標： ReMatch（UNetおよびSwinIRの両バックボーン）は、標準的なCorrDiff、Classifier-Free Guidance (CFG)、不確実性条件付きバリアント、および決定論的な超解像モデル（UNet, Conv-FNO, SwinIR）を含む強力なベースラインを上回る。
• 主な知見：
  • 精度： ReMatchは最も低いRMSEおよびCRPS（Continuous Ranked Probability Score）を達成している。
  • キャリブレーション： ReMatchはCorrDiffと比較して有意に過小分散を減少させている（SSRが1に近い）。
  • 知覚品質： ReMatchは最高のLPIPSスコアを達成しており、優れた視覚的忠実度を示している。
  • ダウンストリームへの影響： 粒子移流実験において、ReMatchによって生成されたアンサンブルは、CorrDiffと比較して、真の経路により近い軌跡を維持しており、較正された広がりが不確実性を考慮した意思決定を改善することを示唆している。

5. 意義と主張

本論文は、残差生成パイプラインにおけるキャリブレーションの失敗は、単に確率的サンプラーの欠陥として捉えられるべきではないと主張している。むしろ、それらは多くの場合、ターゲットの構築自体に起因している。平均予測器がテスト・レジームに対して誤指定された残差ターゲットを誘発する場合、生成モデルは正しい補正の分布を学習することができない。

ReMatchの意義は、以下の能力にある：

• 決定論的な平均予測と確率的な残差生成を切り離しつつ、それらの間の分布的なミスマッチを明示的に修正できること。
• データソースにバイアスがある実世界の環境において、精度とキャリブレーションのトレードオフを改善できること。
• 生成モデルのアーキテクチャやサンプリング戦略を調整するだけでなく、訓練ターゲットを整合させること（最適輸送を通じて）が、信頼できる確率的ダウンスケーリングにとって必要なステップであることを示している。

著者らは、信頼できる確率的ダウンスケーリングシステムを設計するには、モデルの出力だけでなく、生成モデルが訓練される予測器誘発型のターゲットをも一致させる必要があると結論づけている。