ラグランジュ大気JEPAフレームワークにおけるクロス変数転移：ラベルなし嵐の追跡

本論文は、南アジアのモンスーン変動を支配する深い大気対流の世界モデルを学習するための、cross-variable proxy learning を提案する。具体的には、M-JEPA (multiscale Monsoon Joint-Embedding Predictive Architecture) を、移動する対流系を追跡する Lagrangian patches 上の5つの連続的な proxy フィールド（例：外向き長波放射 OLR）で事前学習し、降雨の教師信号を一切使わずに表現を獲得する。その後、凍結した表現を共有デコーダー（確率的・決定的分岐を持つ）を介して日次降水予測に転移する。

従来の降水予測のための表現学習は、ゼロ過多で裾の重い降水データを直接学習することが多く、予測表現が最適でないという問題があった。本手法は、連続的な大気 proxy（OLR など）を介して対流組織化をより一貫して表現し、降雨を一切使わずに事前学習することで、転移学習の効果を明確に評価できる点が新しい。また、51メンバーの運用 ECMWF アンサンブルと比較して、単一のコンシューマー GPU で競争力のある予測を達成している。

手法の核は、M-JEPA を用いた cross-variable proxy learning である。M-JEPA は、Lagrangian patches（移動する対流系を追跡するパッチ）上で、5つの連続的な proxy フィールドを入力として、マルチスケールの表現を学習する。事前学習では降雨は一切使用しない。その後、凍結したバックボーン表現を、並列の確率的・決定的分岐を持つ共有デコーダーに転移し、日次降水予測を行う。

有効性は、凍結バックボーンのプロービングフレームワークで検証された。2つの対照実験（降雨のみで学習した同一アーキテクチャ、ランダム初期化バックボーン）と比較し、proxy 事前学習の効果を帰属した。その結果、直接的な降雨学習と比較して CRPS 誤差が36%低く（7.52 vs 5.54 mm/day）、51メンバーの運用 ECMWF アンサンブルに対して統計的に有意な CRPS 優位（6.81 vs 6.89 mm/day）と高い Brier skill（+0.05 vs -0.04）を達成した。これは15.4Mパラメータで単一のコンシューマー GPU 上で実現され、特に大雨閾値と細かい空間スケールで優れていた。

議論として、提案手法は ECMWF アンサンブルと比較して、neighborhood skill と点指標の決定的参照では劣る点が挙げられる。また、要旨からは、提案手法の限界や将来の改善点についての詳細は不明である。

要旨で参照されている研究は、ECMWF アンサンブル予報システム、Joint-Embedding Predictive Architecture (JEPA)、および関連する表現学習手法（例：contrastive learning, masked autoencoding）が挙げられる。具体的な論文タイトルは要旨にないため、同分野の定番として、JEPA の元論文（LeCun ら）や、大気表現学習に関する研究（例：WeatherBench）を読むことが推奨される。