論文の概要: AFD-STA: Adaptive Filtering Denoising with Spatiotemporal Attention for Chaotic System Prediction

• arxiv url: http://arxiv.org/abs/2505.18080v1
• Date: Fri, 23 May 2025 16:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.225323
• Title: AFD-STA: Adaptive Filtering Denoising with Spatiotemporal Attention for Chaotic System Prediction
• Title（参考訳）: AFD-STA:カオスシステム予測のための時空間注意型適応フィルタ
• Authors: Chunlin Gong, Yin Wang, Jingru Li, Hanleran Zhang,
• Abstract要約: AFD-STAネットは、偏微分方程式によって支配される高次元カオスシステムを予測するための枠組みを示す。 このフレームワークは、測定の不確かさと高次元非線形ダイナミクスの同時処理を必要とする実世界のアプリケーションにとって有望な可能性を示している。
• 参考スコア（独自算出の注目度）: 4.833734041528231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents AFD-STA Net, a neural framework integrating adaptive filtering and spatiotemporal dynamics learning for predicting high-dimensional chaotic systems governed by partial differential equations. The architecture combines: 1) An adaptive exponential smoothing module with position-aware decay coefficients for robust attractor reconstruction, 2) Parallel attention mechanisms capturing cross-temporal and spatial dependencies, 3) Dynamic gated fusion of multiscale features, and 4) Deep projection networks with dimension-scaling capabilities. Numerical experiments on nonlinear PDE systems demonstrate the model's effectiveness in maintaining prediction accuracy under both smooth and strongly chaotic regimes while exhibiting noise tolerance through adaptive filtering. Component ablation studies confirm critical contributions from each module, particularly highlighting the essential role of spatiotemporal attention in learning complex dynamical interactions. The framework shows promising potential for real-world applications requiring simultaneous handling of measurement uncertainties and high-dimensional nonlinear dynamics.
• Abstract（参考訳）: 本稿では,適応フィルタリングと時空間動的学習を統合したニューラルネットワークフレームワークであるAFD-STA Netについて述べる。 アーキテクチャは次の2つを組み合わせています。 1)ロバストなアトラクタ再構成のための位置対応減衰係数を有する適応的指数的平滑化モジュール。 2【時間的・空間的依存関係を捉える並列注意機構】 3)マルチスケール特徴の動的ゲート融合 4)次元スケーリング機能を有する深部プロジェクションネットワーク。 非線形PDEシステムの数値実験は、適応フィルタリングによる耐雑音性を示しながら、滑らかかつ強いカオス状態下で予測精度を維持するモデルの有効性を示す。 コンポーネントアブレーション研究は各モジュールからの批判的貢献を裏付け、特に複雑な動的相互作用の学習において時空間的注意が不可欠な役割を浮き彫りにする。 このフレームワークは、測定の不確かさと高次元非線形力学の同時処理を必要とする実世界のアプリケーションにとって有望な可能性を示している。

関連論文リスト

• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Dynamic Importance Learning using Fisher Information Matrix (FIM) for Nonlinear Dynamic Mapping [0.2455468619225742]
  本研究はブラックボックスモデルにおける妥当性スコアを動的に決定するための方法論を提案する。 提案手法は、勾配に基づくフレームワークを用いて、分散駆動機能の重要性を明らかにする。 このアプローチの実用性は、工業的なpH中和プロセスに適用することで示される。
  論文  参考訳（メタデータ） (2024-06-08T08:12:41Z)
• Recurrent Deep Kernel Learning of Dynamical Systems [0.5825410941577593]
  デジタル双対は計算効率の低い低次モデル(ROM)を必要とし、物理的資産の複雑な力学を正確に記述することができる。 データから低次元の潜伏空間を発見するために,データ駆動型非侵入型深層学習法(SVDKL)を提案する。 その結果,本フレームワークは, (i) 測定値の復調と再構成, (ii) システム状態のコンパクトな表現の学習, (iii) 低次元潜在空間におけるシステム進化の予測, (iv) 不確実性をモデル化できることがわかった。
  論文  参考訳（メタデータ） (2024-05-30T07:49:02Z)
• Neural Harmonium: An Interpretable Deep Structure for Nonlinear Dynamic System Identification with Application to Audio Processing [4.599180419117645]
  解釈可能性(Interpretability)は、モデルを一般化し、その限界を明らかにする能力を理解するのに役立ちます。 本稿では,動的システムモデリングのための因果解釈可能な深部構造を提案する。 提案モデルは,時間周波数領域におけるシステムモデリングによる調和解析を利用する。
  論文  参考訳（メタデータ） (2023-10-10T21:32:15Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。