敵対的生成ネットワーク (GAN) と拡散モデルは、極端な現象を正確に推定し、局地規模の気候プロセスをより適切に解決する点で、CNN と比較して改善を示しています。 注目すべき制限としては、GAN をトレーニングする際の安定性、拡散モデルでの推論時間の遅さなどが挙げられます。 CNN と同様に、GAN および拡散モデルも、従来の経験的ダウンスケーリング アルゴリズムと比較して大量のトレーニング データを必要とします。 ただし、セクション 6a で説明した転移学習などの ML の革新的な戦略には、トレーニング データの制限を克服する可能性があります。ML の進歩は有望ですが、アルゴリズムの評価が不足しており (評価の枠組みについてはセクション 8 を参照)、多くの研究が気候ダウンスケーリング固有の評価尺度 (降雨の気候学など) を見落としています。 サイクロンや大気河川イベントなど、特定のイベント/ケーススタディにおけるアルゴリズム評価は、限界や改善の領域を理解するのに役立ちます。 さらに、将来の気候予測をスケールダウンするためのアルゴリズムを選択する際には、現在の気候におけるスキルを超えた要因を認識することが重要です。
コメント：GANによる極端現象の再現はともかく、気候変動で適切に外挿ができているのか気になるところです。残念ながら、現時点ではGANを含めた高度な深層学習を気候変動に適用して詳細に評価した事例はほとんどありません。上記の制限に加え、機械学習モデルが高度になるほどアルゴリズムの評価は難しくなることが想定されます。詳細に評価されるまでに時間が必要かもしれません。