Buchumschlag

Towards Scaling Law Analysis For Spatiotemporal Weather Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kiefer, Alexander, Balaprakash, Prasanna, Wang, Xiao
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On Neural Scaling Laws for Weather Emulation through Continual Training
von: Subramanian, Shashank, et al.
Veröffentlicht: (2026)

Large Language Models Inference Engines based on Spiking Neural Networks
von: Balaji, Adarsha, et al.
Veröffentlicht: (2025)

Scaling Laws of Graph Neural Networks for Atomistic Materials Modeling
von: Li, Chaojian, et al.
Veröffentlicht: (2025)

The Unreasonable Effectiveness Of Early Discarding After One Epoch In Neural Network Hyperparameter Optimization
von: Egele, Romain, et al.
Veröffentlicht: (2024)

Bayesian optimized deep ensemble for uncertainty quantification of deep neural networks: a system safety case study on sodium fast reactor thermal stratification modeling
von: Abulawi, Zaid, et al.
Veröffentlicht: (2024)

Scaling Laws of Global Weather Models
von: Yu, Yuejiang, et al.
Veröffentlicht: (2026)

LLMs on the Line: Data Determines Loss-to-Loss Scaling Laws
von: Mayilvahanan, Prasanna, et al.
Veröffentlicht: (2025)

Network architecture search of X-ray based scientific applications
von: Balaji, Adarsha, et al.
Veröffentlicht: (2024)

Distributed Cross-Channel Hierarchical Aggregation for Foundation Models
von: Tsaris, Aristeidis, et al.
Veröffentlicht: (2025)

PeakWeather: MeteoSwiss Weather Station Measurements for Spatiotemporal Deep Learning
von: Zambon, Daniele, et al.
Veröffentlicht: (2025)

ORBIT-2: Scaling Exascale Vision Foundation Models for Weather and Climate Downscaling
von: Wang, Xiao, et al.
Veröffentlicht: (2025)

Towards Robust Scaling Laws for Optimizers
von: Volkova, Alexandra, et al.
Veröffentlicht: (2026)

Towards Scaling Laws for Symbolic Regression
von: Otte, David, et al.
Veröffentlicht: (2025)

Sequence Length Scaling in Vision Transformers for Scientific Images on Frontier
von: Tsaris, Aristeidis, et al.
Veröffentlicht: (2024)

Weather-Related Crash Risk Forecasting: A Deep Learning Approach for Heterogenous Spatiotemporal Data
von: Ogungbire, Abimbola, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search
von: Jiang, Shengli, et al.
Veröffentlicht: (2023)

Scaling Laws for Optimal Data Mixtures
von: Shukor, Mustafa, et al.
Veröffentlicht: (2025)

Sub-Scaling Laws: On the Role of Data Density and Training Strategies in LLMs
von: Chen, Zhengyu, et al.
Veröffentlicht: (2025)

Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale
von: Nie, Tong, et al.
Veröffentlicht: (2023)

Towards Neural Scaling Laws on Graphs
von: Liu, Jingzhe, et al.
Veröffentlicht: (2024)

Physics-Informed Generative Solver: Bridging Data-Driven Priors and Conservation Laws for Stable Spatiotemporal Field Reconstruction
von: Zhu, Ziyuan, et al.
Veröffentlicht: (2026)

Foundation Model for Lossy Compression of Spatiotemporal Scientific Data
von: Li, Xiao, et al.
Veröffentlicht: (2024)

Wukong: Towards a Scaling Law for Large-Scale Recommendation
von: Zhang, Buyun, et al.
Veröffentlicht: (2024)

Streamlining Ocean Dynamics Modeling with Fourier Neural Operators: A Multiobjective Hyperparameter and Architecture Optimization Approach
von: Sun, Yixuan, et al.
Veröffentlicht: (2024)

Sequential Bayesian Neural Subnetwork Ensembles
von: Jantre, Sanket, et al.
Veröffentlicht: (2022)

Physics-Informed Heterogeneous Graph Neural Networks for DC Blocker Placement
von: Jin, Hongwei, et al.
Veröffentlicht: (2024)

Analyzing Neural Scaling Laws in Two-Layer Networks with Power-Law Data Spectra
von: Worschech, Roman, et al.
Veröffentlicht: (2024)

Scaling Laws for Data Filtering -- Data Curation cannot be Compute Agnostic
von: Goyal, Sachin, et al.
Veröffentlicht: (2024)

Data Scaling Laws for End-to-End Autonomous Driving
von: Naumann, Alexander, et al.
Veröffentlicht: (2025)

Towards Embodiment Scaling Laws in Robot Locomotion
von: Ai, Bo, et al.
Veröffentlicht: (2025)

Scaling Law Analysis in Federated Learning: How to Select the Optimal Model Size?
von: Chen, Xuanyu, et al.
Veröffentlicht: (2025)

Towards a Comprehensive Scaling Law of Mixture-of-Experts
von: Zhao, Guoliang, et al.
Veröffentlicht: (2025)

How does ion temperature gradient turbulence depend on magnetic geometry? Insights from data and machine learning
von: Landreman, Matt, et al.
Veröffentlicht: (2025)

Scaling Laws for the Value of Individual Data Points in Machine Learning
von: Covert, Ian, et al.
Veröffentlicht: (2024)

Adaptive Data Optimization: Dynamic Sample Selection with Scaling Laws
von: Jiang, Yiding, et al.
Veröffentlicht: (2024)

Towards Scalable and Structured Spatiotemporal Forecasting
von: Chen, Hongyi, et al.
Veröffentlicht: (2025)

Prescriptive Scaling Laws for Data Constrained Training
von: Lovelace, Justin, et al.
Veröffentlicht: (2026)

gzip Predicts Data-dependent Scaling Laws
von: Pandey, Rohan
Veröffentlicht: (2024)

Towards Multi-Fidelity Scaling Laws of Neural Surrogates in CFD
von: Setinek, Paul, et al.
Veröffentlicht: (2025)

Towards Neural Scaling Laws for Time Series Foundation Models
von: Yao, Qingren, et al.
Veröffentlicht: (2024)