Fugu-MT 論文翻訳(概要): Leveraging Predictive Models for Adaptive Sampling of Spatiotemporal Fluid Processes

論文の概要: Leveraging Predictive Models for Adaptive Sampling of Spatiotemporal Fluid Processes

arxiv url: http://arxiv.org/abs/2304.00732v1
Date: Mon, 3 Apr 2023 05:55:27 GMT
ステータス: 処理完了
システム内更新日: 2023-04-04 16:35:45.550900
Title: Leveraging Predictive Models for Adaptive Sampling of Spatiotemporal Fluid Processes
Title（参考訳）: 時空間流体プロセスの適応サンプリングのための予測モデルの利用
Authors: Sandeep Manjanna and Tom Z. Jiahao and M. Ani Hsieh
Abstract要約: PASSTは、特定の領域の流体プロセスを監視する適応型ロボットサンプリングアルゴリズムである。本アルゴリズムでは,学習した予測モデルからの予測を利用して,自動運転車の経路を計画する。
参考スコア（独自算出の注目度）: 3.613072342189595
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Persistent monitoring of a spatiotemporal fluid process requires data sampling and predictive modeling of the process being monitored. In this paper we present PASST algorithm: Predictive-model based Adaptive Sampling of a Spatio-Temporal process. PASST is an adaptive robotic sampling algorithm that leverages predictive models to efficiently and persistently monitor a fluid process in a given region of interest. Our algorithm makes use of the predictions from a learned prediction model to plan a path for an autonomous vehicle to adaptively and efficiently survey the region of interest. In turn, the sampled data is used to obtain better predictions by giving an updated initial state to the predictive model. For predictive model, we use Knowledged-based Neural Ordinary Differential Equations to train models of fluid processes. These models are orders of magnitude smaller in size and run much faster than fluid data obtained from direct numerical simulations of the partial differential equations that describe the fluid processes or other comparable computational fluids models. For path planning, we use reinforcement learning based planning algorithms that use the field predictions as reward functions. We evaluate our adaptive sampling path planning algorithm on both numerically simulated fluid data and real-world nowcast ocean flow data to show that we can sample the spatiotemporal field in the given region of interest for long time horizons. We also evaluate PASST algorithm's generalization ability to sample from fluid processes that are not in the training repertoire of the learned models.
Abstract（参考訳）: 時空間流体プロセスの永続的なモニタリングには、データのサンプリングと監視中のプロセスの予測モデルが必要である。本稿では,時空間過程の予測モデルに基づく適応サンプリングを行うPASSTアルゴリズムを提案する。 PASSTは、予測モデルを活用する適応型ロボットサンプリングアルゴリズムで、特定の領域における流体プロセスの効率的かつ永続的な監視を行う。本アルゴリズムは,学習した予測モデルから予測を活用し,自律走行車両が関心領域を適応的かつ効率的にサーベイする経路を計画する。次に、サンプルデータを用いて予測モデルに更新初期状態を与えることにより、より良い予測を得る。予測モデルの場合、流体過程のモデルを訓練するために知識に基づく神経常微分方程式を用いる。これらのモデルのサイズは桁違いに小さく、流体過程やその他の計算流体モデルを記述する偏微分方程式の直接数値シミュレーションから得られた流体データよりもずっと高速である。経路計画には、フィールド予測を報酬関数として使用する強化学習に基づく計画アルゴリズムを用いる。数値シミュレーションされた流体データと実世界の海流データの両方に対する適応的サンプリング経路計画アルゴリズムを評価し,与えられた領域の時空間場を長時間地平線でサンプリングできることを示した。また,学習モデルの学習レパートリーにない流体プロセスからサンプルを得るためのパストアルゴリズムの一般化能力を評価する。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows [1.2972104025246092]
本稿では,軌道生成のためのサンプリング手法について検討する。変分推論の分野を起源とする正規化フローが検討される。学習に基づく正規化フローモデルは、入力領域のより効率的な探索のために訓練される。
論文参考訳（メタデータ） (2024-04-15T10:45:12Z)
Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
論文参考訳（メタデータ） (2024-01-08T12:04:39Z)
Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文参考訳（メタデータ） (2023-10-04T09:39:05Z)
A Denoising Diffusion Model for Fluid Field Prediction [0.0]
本研究では,FluidDiff という非線形流体場予測のための新しい拡散生成モデルを提案する。拡散過程を実行することにより、モデルは高次元力学系の複雑な表現を学習することができる。ランゲヴィンサンプリングは、指定された初期条件下での流れ状態の予測を生成するために使用される。
論文参考訳（メタデータ） (2023-01-27T11:30:40Z)
Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文参考訳（メタデータ） (2022-11-24T07:30:27Z)
Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文参考訳（メタデータ） (2022-06-29T22:19:03Z)
Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文参考訳（メタデータ） (2021-12-07T03:33:39Z)
Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文参考訳（メタデータ） (2021-05-21T00:08:06Z)
A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文参考訳（メタデータ） (2019-10-31T02:26:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。