確率的ダウンスケーリングは、粗い入力から高解像度場の条件付き分布をモデル化するタスクであり、大気科学、気候モデリング、その他のマルチスケール物理システムにおける中心的な課題である。広く用いられる平均-残差パラダイムは、問題を決定論的平均予測器と確率的残差生成器に分解する。理想的な設定では有効だが、このアプローチは実世界応用においてバイアスがかかり、過小分散のアンサンブルを頻繁に生み出す。著者らは、これが単なる一般的な予測不確実性の誤キャリブレーションではなく、より根本的な問題である残差ターゲットの誤設定に起因すると示す。すなわち、ダウンスケーリングバイアスのため、訓練時に誘導される残差分布がテスト時に必要とされる分布と系統的に異なるのである。
このギャップを埋めるため、著者らはReMatch（残差分布マッチング）を提案する。ReMatchは、低次元PCA空間における最適輸送を通じて、訓練残差分布をテスト時の状態に整合させる。これにより、平均-残差フレームワークの統計的利点を保ちつつ、確率的生成器が見る残差ターゲットの訓練-テスト間の不一致を低減する。手法は元のフレームワーク構造を変えず、分布マッチングによって訓練目標を修正し、残差生成器がテスト段階でよりキャリブレーションされたアンサンブルを生成できるようにする。
実験は、異なるバイアスレベルを持つ制御された合成ベンチマークと、実際のHRRR-ERA5風場ダウンスケーリングタスクで行われた。結果として、ReMatchは過小分散を大幅に低減し、キャリブレーション（SSRおよびCRPS）を改善し、標準的な平均-残差モデルとその変種、さらに最先端の超解像モデルを含む強力なベースラインを上回る性能を示した。この改善は合成・実世界の両方のシナリオで確認され、手法の実用性を示している。
論文ではコードも公開されており、研究者が再現しさらに発展させることが可能である。本研究は、確率的ダウンスケーリングにおいて見落とされがちなバイアス源を明らかにし、簡潔で効果的な解決策を提供するもので、気候モデリングやマルチスケール物理システムのモデリングに参考になる。