論文の概要: Frequency-aware Surrogate Modeling With SMT Kernels For Advanced Data Forecasting

• arxiv url: http://arxiv.org/abs/2507.09694v1
• Date: Sun, 13 Jul 2025 16:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.771648
• Title: Frequency-aware Surrogate Modeling With SMT Kernels For Advanced Data Forecasting
• Title（参考訳）: 高度なデータ予測のためのSMTカーネルを用いた周波数対応サロゲートモデリング
• Authors: Nicolas Gonel, Paul Saves, Joseph Morlier,
• Abstract要約: 本稿では,相関カーネルを開発するためのオープンソースフレームワークについて紹介する。 我々は、複雑な機械的挙動と航空機システムに対する時間的ダイナミクスを効果的に捉える周波数認識要素を組み込んだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces a comprehensive open-source framework for developing correlation kernels, with a particular focus on user-defined and composition of kernels for surrogate modeling. By advancing kernel-based modeling techniques, we incorporate frequency-aware elements that effectively capture complex mechanical behaviors and timefrequency dynamics intrinsic to aircraft systems. Traditional kernel functions, often limited to exponential-based methods, are extended to include a wider range of kernels such as exponential squared sine and rational quadratic kernels, along with their respective firstand second-order derivatives. The proposed methodologies are first validated on a sinus cardinal test case and then applied to forecasting Mauna-Loa Carbon Dioxide (CO 2 ) concentrations and airline passenger traffic. All these advancements are integrated into the open-source Surrogate Modeling Toolbox (SMT 2.0), providing a versatile platform for both standard and customizable kernel configurations. Furthermore, the framework enables the combination of various kernels to leverage their unique strengths into composite models tailored to specific problems. The resulting framework offers a flexible toolset for engineers and researchers, paving the way for numerous future applications in metamodeling for complex, frequency-sensitive domains.
• Abstract（参考訳）: 本稿では,サロゲートモデリングのためのカーネルのユーザ定義と構成に着目した,相関カーネル開発のための包括的なオープンソースフレームワークを提案する。 カーネルベースのモデリング技術の進歩により、複雑な機械的挙動や航空機システムに固有の時間的ダイナミクスを効果的に捉える周波数認識要素が組み込まれている。 伝統的なカーネル関数は指数関数に基づく手法に制限されることが多く、指数的二乗正弦や有理二次核のようなより広い範囲のカーネルと、それぞれの1階と2階の微分を含むように拡張される。 提案手法は,まず正中濃度試験ケースで検証し,マウナ-ロア二酸化炭素(CO2)濃度と旅客輸送量の予測に適用した。 これらすべての進歩はオープンソースのSurrogate Modeling Toolbox (SMT 2.0)に統合され、標準およびカスタマイズ可能なカーネル構成のための汎用的なプラットフォームを提供する。 さらに、このフレームワークは、様々なカーネルの組み合わせによって、固有の問題に合わせた合成モデルに固有の強みを活用できる。 結果として生まれたフレームワークは、エンジニアと研究者に柔軟なツールセットを提供し、複雑で周波数に敏感なドメインのメタモデリングにおける多くの将来的な応用の道を開く。

関連論文リスト

• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [50.438552588818]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• Kernel Space Diffusion Model for Efficient Remote Sensing Pansharpening [8.756657890124766]
  Kernel Space Diffusion Model (KSDiff)は、グローバルな文脈情報に富んだ畳み込みカーネルを生成するために、潜在空間における拡散プロセスを活用する新しいアプローチである。 WorldView-3、GaoFen-2、QuickBirdを含む広く使われている3つのデータセットの実験では、KSDiffの質的かつ定量的に優れた性能が示されている。
  論文  参考訳（メタデータ） (2025-05-25T06:25:31Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Data-Driven Model Selections of Second-Order Particle Dynamics via Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
  我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。 本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
  論文  参考訳（メタデータ） (2023-11-01T23:45:15Z)
• Sparsity-Aware Distributed Learning for Gaussian Processes with Linear Multiple Kernel [20.98449975854329]
  本稿では,新しいGP線形多重カーネル (LMK) と,ハイパーパラメータを最適化する汎用空間認識分散学習フレームワークを提案する。 新たに提案されたグリッドスペクトル混合製品(GSMP)カーネルは,多次元データ用に調整されている。 そこで本研究では,Sparse LInear Multiple Kernel Learning (SLIM-KL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T07:05:33Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Nonstationary multi-output Gaussian processes via harmonizable spectral mixtures [0.0]
  我々は、MOSM(Multi-output Spectral Mixture kernel)arXiv:1709.01298の非定常拡張を開発する。 提案したハーモニゼーション可能なカーネルは、実行者が静止カーネルと非定常カーネルのどちらを選択するかを選択する必要がないことを意味する可能性のある非定常的動作を自動的に識別する。
  論文  参考訳（メタデータ） (2022-02-18T15:00:08Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)
• Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
  カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである 本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。 合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-03-29T22:37:06Z)
• Advanced Stationary and Non-Stationary Kernel Designs for Domain-Aware Gaussian Processes [0.0]
  再生カーネルヒルベルト空間(RKHS)の要素である所望の特性を持つ関数のみを許容する先進カーネル設計を提案する。 いくつかの合成および2つの科学的データセットを用いて、先進的なカーネル設計がガウス過程に与える影響を示す。
  論文  参考訳（メタデータ） (2021-02-05T22:07:56Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。