Jointly Assigning Processes to Machines and Generating Plans for Autonomous Mobile Robots in a Smart Factory

投稿日: 2025年3月3日 作成者: jarxiv

要約

最新のスマートファクトリーは、プログラム可能な機械のコレクションを使用して製造手順を実行しています。
通常、モバイルロボットのチームを使用して、これらのマシン間で材料がフェリーされます。
スマートファクトリーに製造手順を埋め込むには、工場のオペレーターはa）スマートファクトリーのマシンにそのプロセスを割り当て、b）エージェントがマシン間に材料を運ぶ方法を決定する必要があります。
優れた埋め込みは、スマートファクトリーのスループットを最大化します。
製品を出力するレート。
既存のスマートファクトリー管理システムは、前述の問題を順次解決し、達成できるスループットを制限します。
このホワイトペーパーでは、マシンへのプロセスの割り当てとエージェントへのパスの割り当てを共同で最適化する最初のソルバーであるAnytime Cyclic Embedding SolverであるACESを紹介します。
ACEを評価し、実際の産業シナリオにスケーリングできることを示します。

要約(オリジナル)

A modern smart factory runs a manufacturing procedure using a collection of programmable machines. Typically, materials are ferried between these machines using a team of mobile robots. To embed a manufacturing procedure in a smart factory, a factory operator must a) assign its processes to the smart factory’s machines and b) determine how agents should carry materials between machines. A good embedding maximizes the smart factory’s throughput; the rate at which it outputs products. Existing smart factory management systems solve the aforementioned problems sequentially, limiting the throughput that they can achieve. In this paper we introduce ACES, the Anytime Cyclic Embedding Solver, the first solver which jointly optimizes the assignment of processes to machines and the assignment of paths to agents. We evaluate ACES and show that it can scale to real industrial scenarios.

arxiv情報

著者 Christopher Leet,Aidan Sciortino,Sven Koenig
発行日 2025-02-28 14:38:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, math.OC | Jointly Assigning Processes to Machines and Generating Plans for Autonomous Mobile Robots in a Smart Factory はコメントを受け付けていません

Arc-Length-Based Warping for Robot Skill Synthesis from Multiple Demonstrations

投稿日: 2025年3月3日 作成者: jarxiv

要約

Roboticsでは、デモンストレーション（LFD）からの学習は、同じタスクの複数のデモンストレーションを使用して、ロボットにスキルを転送することを目指しています。
これらのデモンストレーションは、一貫したスキル表現を抽出するために記録および処理されます。
このプロセスでは、通常、動的タイムワーピング（DTW）などの手法を通じて時間的整列が必要です。
この論文では、信号のアークレングスパラメーター化を提供することにより、軌跡の時間非依存のアライメントを可能にするロボット軌道向けに特別に設計された空間サンプリング（SS）という名前の新しいアルゴリズムを検討します。
このアプローチは、一時的なアライメントの必要性を排除し、特に記録された動きが断続的な動きまたは極端に変化する速度の影響を受ける場合、スキル表現の精度と堅牢性を高めます。これは、運動学の教育に基づく操作の一般的な特性であり、オペレーターはエンド効果器をスムーズに誘導するのが困難になる可能性があります。
これを証明するために、ロボット録音のカスタム公開されたデータセットを構築して、実際の動きをテストしました。ここでは、ユーザーは同じ幾何学的パスを複数回追跡します。
SSは、（i）軌道同期と（ii）抽出されたスキルの品質に関して、最先端のアルゴリズムに対するより良いパフォーマンスを示しています。

要約(オリジナル)

In robotics, Learning from Demonstration (LfD) aims to transfer skills to robots by using multiple demonstrations of the same task. These demonstrations are recorded and processed to extract a consistent skill representation. This process typically requires temporal alignment through techniques such as Dynamic Time Warping (DTW). In this paper, we consider a novel algorithm, named Spatial Sampling (SS), specifically designed for robot trajectories, that enables time-independent alignment of the trajectories by providing an arc-length parametrization of the signals. This approach eliminates the need for temporal alignment, enhancing the accuracy and robustness of skill representation, especially when recorded movements are subject to intermittent motions or extremely variable speeds, a common characteristic of operations based on kinesthetic teaching, where the operator may encounter difficulties in guiding the end-effector smoothly. To prove this, we built a custom publicly available dataset of robot recordings to test real-world movements, where the user tracks the same geometric path multiple times, with motion laws that vary greatly and are subject to starting and stopping. The SS demonstrates better performances against state-of-the-art algorithms in terms of (i) trajectory synchronization and (ii) quality of the extracted skill.

arxiv情報

著者 Giovanni Braglia,Davide Tebaldi,André Eugenio Lazzaretti,Luigi Biagiotti
発行日 2025-02-28 15:25:53+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Arc-Length-Based Warping for Robot Skill Synthesis from Multiple Demonstrations はコメントを受け付けていません

CurviTrack: Curvilinear Trajectory Tracking for High-speed Chase of a USV

投稿日: 2025年3月3日 作成者: jarxiv

要約

海洋環境で使用される不均一なロボットチームは、海洋車両が自律航空車両が充電のために着陸できるようにするためにミッションを停止しなければならないときに時間とエネルギーの罰則を負います。
この論文では、MPCと結合した新しいドラッグアウェアモデルの定式化を使用して、この問題の解決策を提示します。したがって、通信なしでUSVの高速曲線軌跡中に追跡と着陸を可能にします。
最先端と比較して、私たちのアプローチは予測エラーが40％減少し、予測の確実性が3倍増加します。
その結果、これにより、従来の海洋ミッションには実行不可能な攻撃的なターン中であっても、パフォーマンスの追跡が30％改善され、移動USVへの着陸が40％上昇しました。
2つの異なるサイズの海洋船で2つの異なる現実世界のシナリオでアプローチをテストし、シミュレーションの統計分析を通じて結果をさらに固めて、方法の堅牢性を実証します。

要約(オリジナル)

Heterogeneous robot teams used in marine environments incur time-and-energy penalties when the marine vehicle has to halt the mission to allow the autonomous aerial vehicle to land for recharging. In this paper, we present a solution for this problem using a novel drag-aware model formulation which is coupled with MPC, and therefore, enables tracking and landing during high-speed curvilinear trajectories of an USV without any communication. Compared to the state-of-the-art, our approach yields 40% decrease in prediction errors, and provides a 3-fold increase in certainty of predictions. Consequently, this leads to a 30% improvement in tracking performance and 40% higher success in landing on a moving USV even during aggressive turns that are unfeasible for conventional marine missions. We test our approach in two different real-world scenarios with marine vessels of two different sizes and further solidify our results through statistical analysis in simulation to demonstrate the robustness of our method.

arxiv情報

著者 Parakh M. Gupta,Ondřej Procházka,Tiago Nascimento,Martin Saska
発行日 2025-02-28 18:37:42+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY | CurviTrack: Curvilinear Trajectory Tracking for High-speed Chase of a USV はコメントを受け付けていません

Reducing Reward Dependence in RL Through Adaptive Confidence Discounting

投稿日: 2025年3月3日 作成者: jarxiv

要約

報酬を計算することが高価な人間の補強学習または環境では、費用のかかる報酬は、学習効率を達成するのに挑戦することができます。
人間からフィードバックを取得したり、高価な報酬を計算するコストは、長いトレーニングセッションのすべての段階でフィードバックを受け取るアルゴリズムが実行不可能である可能性があり、エージェントの能力がパフォーマンスを効率的に改善する能力を制限する可能性があります。
私たちの目的は、人間の学習エージェントの依存や高価な報酬を減らし、学習ポリシーの質を維持しながら学習の効率を改善することです。
環境状態でのアクションの価値に関する知識が低い場合にのみ、報酬を要求する新しい強化学習アルゴリズムを提供します。
私たちのアプローチは、自信が高い場合、人間の配達または高価な報酬のプロキシとして報酬機能モデルを使用し、モデルの予測された報酬および/またはアクション選択に信頼が低い場合にのみ、それらの明示的な報酬を求めます。
費用のかかる報酬への依存を減らすことにより、報酬を取得するロジスティクスまたは費用がそれを禁止する可能性のある設定で効率的に学ぶことができます。
私たちの実験では、私たちのアプローチは、学習に必要なエピソードの数と報酬のわずか20％でそのパフォーマンスを達成するために必要なエピソードの数と、ベースラインに匹敵するパフォーマンスを取得します。

要約(オリジナル)

In human-in-the-loop reinforcement learning or environments where calculating a reward is expensive, the costly rewards can make learning efficiency challenging to achieve. The cost of obtaining feedback from humans or calculating expensive rewards means algorithms receiving feedback at every step of long training sessions may be infeasible, which may limit agents’ abilities to efficiently improve performance. Our aim is to reduce the reliance of learning agents on humans or expensive rewards, improving the efficiency of learning while maintaining the quality of the learned policy. We offer a novel reinforcement learning algorithm that requests a reward only when its knowledge of the value of actions in an environment state is low. Our approach uses a reward function model as a proxy for human-delivered or expensive rewards when confidence is high, and asks for those explicit rewards only when there is low confidence in the model’s predicted rewards and/or action selection. By reducing dependence on the expensive-to-obtain rewards, we are able to learn efficiently in settings where the logistics or expense of obtaining rewards may otherwise prohibit it. In our experiments our approach obtains comparable performance to a baseline in terms of return and number of episodes required to learn, but achieves that performance with as few as 20% of the rewards.

arxiv情報

著者 Muhammed Yusuf Satici,David L. Roberts
発行日 2025-02-28 15:58:21+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Reducing Reward Dependence in RL Through Adaptive Confidence Discounting はコメントを受け付けていません

SYN-LUNGS: Towards Simulating Lung Nodules with Anatomy-Informed Digital Twins for AI Training

投稿日: 2025年3月3日 作成者: jarxiv

要約

肺がんスクリーニングのAIモデルは、データ不足によって制限され、一般化と臨床的適用に影響を与えます。
生成モデルはこの問題に対処しますが、データの変動性をトレーニングすることによって制約されます。
詳細な注釈を使用して高品質の3D CT画像を生成するためのフレームワークであるSyn-Lungsを紹介します。
Syn-Lungsは、デジタルツイン生成用のXCAT3ファントム、結節シミュレーション（さまざまなサイズ、位置、外観）のXレオン、およびベンダーとパラメーターの変動性を備えたCT画像形成のDukesimを統合します。
データセットには、512の病変と174のデジタルツインを備えた1,044のシミュレートされたCTスキャンからの3,072の結節画像が含まれています。
臨床 +シミュレートされたデータで訓練されたモデルは、臨床のみモデルを上回り、検出の10％の改善、セグメンテーションと分類で2〜9％を達成し、合成を強化します。解剖学的な情報シミュレーションを組み込むことにより、Syn-LungsはAIモデル開発、特に希少疾患の表現とモデルの信頼性の向上においてスケーラブルなアプローチを提供します。

要約(オリジナル)

AI models for lung cancer screening are limited by data scarcity, impacting generalizability and clinical applicability. Generative models address this issue but are constrained by training data variability. We introduce SYN-LUNGS, a framework for generating high-quality 3D CT images with detailed annotations. SYN-LUNGS integrates XCAT3 phantoms for digital twin generation, X-Lesions for nodule simulation (varying size, location, and appearance), and DukeSim for CT image formation with vendor and parameter variability. The dataset includes 3,072 nodule images from 1,044 simulated CT scans, with 512 lesions and 174 digital twins. Models trained on clinical + simulated data outperform clinical only models, achieving 10% improvement in detection, 2-9% in segmentation and classification, and enhanced synthesis.By incorporating anatomy-informed simulations, SYN-LUNGS provides a scalable approach for AI model development, particularly in rare disease representation and improving model reliability.

arxiv情報

著者 Fakrul Islam Tushar,Lavsen Dahal,Cindy McCabe,Fong Chi Ho,Paul Segars,Ehsan Abadi,Kyle J. Lafata,Ehsan Samei,Joseph Y. Lo
発行日 2025-02-28 16:02:37+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | SYN-LUNGS: Towards Simulating Lung Nodules with Anatomy-Informed Digital Twins for AI Training はコメントを受け付けていません

Geodesic Slice Sampler for Multimodal Distributions with Strong Curvature

投稿日: 2025年3月3日 作成者: jarxiv

要約

従来のマルコフチェーンモンテカルロサンプリング方法は、しばしば鋭い曲率、複雑な幾何学、およびマルチモーダル分布と格闘しています。
スライスサンプリングは、局所的な探査の非効率性の問題を解決し、リーマニアの幾何学は鋭い湾曲に役立ちます。
最近の拡張機能により、リーマニアンマニホールドでスライスサンプリングが可能になりますが、測地線が閉じた形で利用できる場合に制限されています。
測定法を微分方程式の解として近似することにより、ターゲット分布に合わせたより一般的なジオメトリにヒットアンドランスライスサンプリングを一般的に一般化する方法を提案します。
私たちのアプローチにより、マルチモーダル分布のモード間の曲率と迅速な移行を伴う地域の調査が可能になります。
挑戦的なサンプリングの問題よりもアプローチの利点を示します。

要約(オリジナル)

Traditional Markov Chain Monte Carlo sampling methods often struggle with sharp curvatures, intricate geometries, and multimodal distributions. Slice sampling can resolve local exploration inefficiency issues and Riemannian geometries help with sharp curvatures. Recent extensions enable slice sampling on Riemannian manifolds, but they are restricted to cases where geodesics are available in closed form. We propose a method that generalizes Hit-and-Run slice sampling to more general geometries tailored to the target distribution, by approximating geodesics as solutions to differential equations. Our approach enables exploration of regions with strong curvature and rapid transitions between modes in multimodal distributions. We demonstrate the advantages of the approach over challenging sampling problems.

arxiv情報

著者 Bernardo Williams,Hanlin Yu,Hoang Phuc Hau Luu,Georgios Arvanitidis,Arto Klami
発行日 2025-02-28 16:06:11+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Geodesic Slice Sampler for Multimodal Distributions with Strong Curvature はコメントを受け付けていません

A Riemannian Framework for Learning Reduced-order Lagrangian Dynamics

投稿日: 2025年3月3日 作成者: jarxiv

要約

物理的な一貫性を誘導バイアスとして組み込むことにより、ディープニューラルネットワークは、非線形動力モデルの学習における一般化能力とデータ効率の向上を示します。
ただし、これらのモデルの複雑さは一般に、システムの次元とともに増加し、より大きなデータセット、より複雑なディープネットワーク、および大幅な計算努力が必要です。
元の高次元システム動作を正確に記述する物理的に一貫した低秩序の動的パラメーターを学習するために、新しい幾何学的ネットワークアーキテクチャを提案します。
これは、最近のモデル順序削減の進歩を築き、リマニアの視点を採用して、非線形構造を含む潜在的な空間と関連する低次元のダイナミクスを共同で学習することによって達成されます。
私たちのアプローチにより、解釈可能で物理的に透過性の低いラグランジアンモデルを推測することにより、データ効率が向上した、剛性および変形可能なシステムの高次元ダイナミクスの正確な長期予測が可能になります。

要約(オリジナル)

By incorporating physical consistency as inductive bias, deep neural networks display increased generalization capabilities and data efficiency in learning nonlinear dynamic models. However, the complexity of these models generally increases with the system dimensionality, requiring larger datasets, more complex deep networks, and significant computational effort. We propose a novel geometric network architecture to learn physically-consistent reduced-order dynamic parameters that accurately describe the original high-dimensional system behavior. This is achieved by building on recent advances in model-order reduction and by adopting a Riemannian perspective to jointly learn a non-linear structure-preserving latent space and the associated low-dimensional dynamics. Our approach enables accurate long-term predictions of the high-dimensional dynamics of rigid and deformable systems with increased data efficiency by inferring interpretable and physically-plausible reduced Lagrangian models.

arxiv情報

著者 Katharina Friedl,Noémie Jaquier,Jens Lundell,Tamim Asfour,Danica Kragic
発行日 2025-02-28 16:12:10+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | A Riemannian Framework for Learning Reduced-order Lagrangian Dynamics はコメントを受け付けていません

Class prior estimation for positive-unlabeled learning when label shift occurs

投稿日: 2025年3月3日 作成者: jarxiv

要約

ソース母集団のそれとは異なる可能性のある非標識ターゲットサンプルのためのクラスの推定を研究します。
ソースデータの場合、ポジティブクラスと全母集団からのサンプルのみが利用可能であると想定されています（PU学習シナリオ）。
事後確率の推定を回避し、単純な幾何学的解釈を持っているクラス事前の新しい直接推定器を導入します。
これは、カーネルの埋め込みと一緒に分布マッチング手法に基づいており、最適化タスクの明示的なソリューションとして取得されます。
私たちは、その漸近的な一貫性と、実際に計算可能な未知の事前からの偏差に伴う非症状の結合を確立します。
合成データおよび実際のデータの有限サンプル行動を研究し、提案がソースの大規模な値に適したバージョンとともに、競合他社よりもPARまたはそれ以上に機能することを示しています。

要約(オリジナル)

We study estimation of class prior for unlabeled target samples which is possibly different from that of source population. It is assumed that for the source data only samples from positive class and from the whole population are available (PU learning scenario). We introduce a novel direct estimator of class prior which avoids estimation of posterior probabilities and has a simple geometric interpretation. It is based on a distribution matching technique together with kernel embedding and is obtained as an explicit solution to an optimisation task. We establish its asymptotic consistency as well as a non-asymptotic bound on its deviation from the unknown prior, which is calculable in practice. We study finite sample behaviour for synthetic and real data and show that the proposal, together with a suitably modified version for large values of source prior, works on par or better than its competitors.

arxiv情報

著者 Jan Mielniczuk,Wojciech Rejchel,Paweł Teisseyre
発行日 2025-02-28 16:12:53+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML | Class prior estimation for positive-unlabeled learning when label shift occurs はコメントを受け付けていません

In-Context Learning with Hypothesis-Class Guidance

投稿日: 2025年3月3日 作成者: jarxiv

要約

最近の研究では、理論的および経験的に、コンテキスト内学習（ICL）の根本的なメカニズムを調査しており、多くの場合、単純な関数クラスから生成されたデータを使用しています。
ただし、既存の作業は、ラベル付きの例のみで構成されるシーケンスに焦点を当てていることがよくありますが、実際にはラベルのある例には通常、指示が伴い、タスクに関する副情報を提供します。
この作業では、入力コンテキストが（有限）仮説クラスHと$（X、Y）$ペアの文字通りの説明で構成されているICLの新しい合成データモデルである仮説クラスのガイダンス（ICL-HCG）を備えたICLを提案します。Hから選択した仮説からのペアを提案します。
（ii）異なるモデルアーキテクチャ。
（iii）サンプルの複雑さ。
（iv）コンテキスト内データの不均衡。
（v）指導の役割。
（vi）仮説の仮説の多様性の影響。
その結果、（a）トランスがICL-HCGを正常に学習し、目に見えない仮説と目に見えない仮説クラスに一般化できることを示し、（b）命令なしでICLと比較して、ICL-HCGは有意に高い精度を達成し、命令の役割を実証します。

要約(オリジナル)

Recent research has investigated the underlying mechanisms of in-context learning (ICL) both theoretically and empirically, often using data generated from simple function classes. However, the existing work often focuses on the sequence consisting solely of labeled examples, while in practice, labeled examples are typically accompanied by an instruction, providing some side information about the task. In this work, we propose ICL with hypothesis-class guidance (ICL-HCG), a novel synthetic data model for ICL where the input context consists of the literal description of a (finite) hypothesis class H and $(x,y)$ pairs from a hypothesis chosen from H. Under our framework ICL-HCG, we conduct extensive experiments to explore: (i) a variety of generalization abilities to new hypothesis classes; (ii) different model architectures; (iii) sample complexity; (iv) in-context data imbalance; (v) the role of instruction; and (vi) the effect of pretraining hypothesis diversity. As a result, we show that (a) Transformers can successfully learn ICL-HCG and generalize to unseen hypotheses and unseen hypothesis classes, and (b) compared with ICL without instruction, ICL-HCG achieves significantly higher accuracy, demonstrating the role of instructions.

arxiv情報

著者 Ziqian Lin,Shubham Kumar Bharti,Kangwook Lee
発行日 2025-02-28 16:20:03+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | In-Context Learning with Hypothesis-Class Guidance はコメントを受け付けていません

Four-hour thunderstorm nowcasting using deep diffusion models of satellite

投稿日: 2025年3月3日 作成者: jarxiv

要約

対流（雷雨）は数時間以内に急速に発達し、非常に破壊的であり、Nowcastingに大きな課題をもたらし、その結果、自然と社会に大きな損失をもたらします。
人工知能（AI）ベースの方法が出現した後、対流のNowcastingは急速な進歩を経験しました。
ただし、リードタイムとカバレッジは依然として望まれておらず、災害緊急対応のニーズをほとんど満たしていません。
ここでは、衛星の深い拡散モデル（DDMS）を提案して、AIベースの対流Nowcastingシステムを確立します。
一方では、拡散プロセスを使用して、対流雲の複雑な空間的進化パターンを効果的にシミュレートし、予測のリードタイムを大幅に改善します。
一方、静止衛星の輝度温度データを利用して、惑星規模の予測カバレッジを達成します。
Fengyun-4A衛星に基づく長期テストと客観的検証中、私たちのシステムは、幅広いカバレッジ（約20,000,000 km2）、驚くべき精度、高解像度（15分; 4 km）で、最大4時間までの効果的な対流を初めて達成します。
そのパフォーマンスは、既存のモデルと比較して、Nowcastingの対流の新しい高さに達します。
アプリケーションの観点から、システムは効率的に動作し（8分で4時間の対流を予測）、グローバルな対流のNowcastingのために複数の衛星と協力する可能性があるため、高度に移行可能です。
さらに、我々の結果は、対流雲の予測における拡散モデルの顕著な能力と、AI技術によって力を与えられた場合の地球層衛星データの有意な価値を強調しています。

要約(オリジナル)

Convection (thunderstorm) develops rapidly within hours and is highly destructive, posing a significant challenge for nowcasting and resulting in substantial losses to nature and society. After the emergence of artificial intelligence (AI)-based methods, convection nowcasting has experienced rapid advancements, with its performance surpassing that of physics-based numerical weather prediction and other conventional approaches. However, the lead time and coverage of it still leave much to be desired and hardly meet the needs of disaster emergency response. Here, we propose deep diffusion models of satellite (DDMS) to establish an AI-based convection nowcasting system. On one hand, it employs diffusion processes to effectively simulate complicated spatiotemporal evolution patterns of convective clouds, significantly improving the forecast lead time. On the other hand, it utilizes geostationary satellite brightness temperature data, thereby achieving planetary-scale forecast coverage. During long-term tests and objective validation based on the FengYun-4A satellite, our system achieves, for the first time, effective convection nowcasting up to 4 hours, with broad coverage (about 20,000,000 km2), remarkable accuracy, and high resolution (15 minutes; 4 km). Its performance reaches a new height in convection nowcasting compared to the existing models. In terms of application, our system operates efficiently (forecasting 4 hours of convection in 8 minutes), and is highly transferable with the potential to collaborate with multiple satellites for global convection nowcasting. Furthermore, our results highlight the remarkable capabilities of diffusion models in convective clouds forecasting, as well as the significant value of geostationary satellite data when empowered by AI technologies.

arxiv情報

著者 Kuai Dai,Xutao Li,Junying Fang,Yunming Ye,Demin Yu,Hui Su,Di Xian,Danyu Qin,Jingsong Wang
発行日 2025-02-28 16:22:11+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Four-hour thunderstorm nowcasting using deep diffusion models of satellite はコメントを受け付けていません