Xaurora：基于基础模型先验与 Denoising Stochastic Interpolants 的生成式天气预报

基于摘要分析。研究针对确定性天气基础模型难以生成预测集合、从头训练成本较高的问题，将预训练 Aurora 转化为生成式集合预测模型 Xaurora，探索复用确定性先验进行概率预测的路径。 核心方法是 Denoising Stochastic Interpolants，并结合用于随机微分方程（SDE）rollout 的 replay buffer，以支持 SDE 轨迹的概率训练。Xaurora 从小型 Aurora 版本微调，而非从头训练。摘要未提供插值过程、去噪目标、损失形式、缓冲区更新策略及推理采样细节，其具体实现尚未验证。 作者报告，Xaurora 在全球集合预测指标上接近最先进水平，并可与大型 Aurora 版本竞争；作者还报告其具备参数和样本效率，可在 13 分钟内生成有预测技巧的 15 天天气预报。该耗时对应的硬件、集合规模、空间分辨率和计时范围未在摘要中说明；具体指标、数据划分、对照配置、消融及统计信息尚未验证，因此不能据此判断不同模型间的严格性能或成本优势。 平台推测（待验证）：可迁移的机制假设是，利用已有确定性预测器作为先验，再训练随机轨迹生成机制，可能为 EEG 时序预测提供集合预测与不确定性估计。原方法依赖预训练大气模型及时间演化数据，其具体监督形式与数据规模尚未验证；迁移时可考虑复用先验微调和随机轨迹训练思路，但需改造 EEG 输入表示、时间尺度及噪声模型。低信噪比、跨被试差异、通道变化和小数据可能使生成分布主要刻画测量噪声，而非可用的预测不确定性。一个可证伪的小实验是在固定被试内数据划分和训练预算下，对比确定性 EEG 预测器与随机化扩展的预测误差及区间覆盖率，检验不确定性估计是否改善而不损害预测质量；这不是已验证的 BCI 效果，相关 EEG 工作尚未检索确认。