論文の概要: Flow Matching-Based Generative Modeling for Efficient and Scalable Data Assimilation

• arxiv url: http://arxiv.org/abs/2508.13313v1
• Date: Mon, 18 Aug 2025 19:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.706527
• Title: Flow Matching-Based Generative Modeling for Efficient and Scalable Data Assimilation
• Title（参考訳）: フローマッチングに基づく効率的およびスケーラブルなデータ同化のための生成モデル
• Authors: Taos Transue, Bohan Chen, So Takao, Bao Wang,
• Abstract要約: フローマッチング(FM)に基づく新しいフィルタリングフレームワークであるアンサンブルフローフィルタ(EnFF)を導入する。 EnFFは、限界FMベクトル場(VF)に対するMC推定器と、観測を同化するための局所的なガイダンスを統合している。 高次元フィルタリングベンチマークの実験では、コスト精度のトレードオフの改善とより大きなアンサンブルを活用する能力が示されている。
• 参考スコア（独自算出の注目度）: 12.220976006492721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data assimilation (DA) is the problem of sequentially estimating the state of a dynamical system from noisy observations. Recent advances in generative modeling have inspired new approaches to DA in high-dimensional nonlinear settings, especially the ensemble score filter (EnSF). However, these come at a significant computational burden due to slow sampling. In this paper, we introduce a new filtering framework based on flow matching (FM) -- called the ensemble flow filter (EnFF) -- to accelerate sampling and enable flexible design of probability paths. EnFF -- a training-free DA approach -- integrates MC estimators for the marginal FM vector field (VF) and a localized guidance to assimilate observations. EnFF has faster sampling and more flexibility in VF design compared to existing generative modeling for DA. Theoretically, we show that EnFF encompasses classical filtering methods such as the bootstrap particle filter and the ensemble Kalman filter as special cases. Experiments on high-dimensional filtering benchmarks demonstrate improved cost-accuracy tradeoffs and the ability to leverage larger ensembles than prior methods. Our results highlight the promise of FM as a scalable tool for filtering in high-dimensional applications that enable the use of large ensembles.
• Abstract（参考訳）: データ同化(DA)は、ノイズ観測から力学系の状態を逐次推定する問題である。 生成モデリングの最近の進歩は、高次元非線形設定におけるDAの新しいアプローチ、特にアンサンブルスコアフィルタ(EnSF)にインスピレーションを与えている。 しかし、これらはサンプリングが遅いため、かなりの計算負荷がかかる。 本稿では,アンサンブルフローフィルタ (EnFF) と呼ばれる,フローマッチング (FM) に基づく新しいフィルタリングフレームワークを導入し,サンプリングを高速化し,確率経路の柔軟な設計を可能にする。 トレーニングフリーのDAアプローチであるEnFFは、限界FMベクトル場(VF)のMC推定器と、観測を同化するための局所的なガイダンスを統合している。 EnFFは既存のDA生成モデルと比較してサンプリングが速く、VF設計にも柔軟性がある。 理論的には、EnFFはブートストラップ粒子フィルタやアンサンブルカルマンフィルタなどの古典的なフィルタリング手法を特別な場合として含むことを示す。 高次元フィルタリングベンチマークの実験では、コスト精度のトレードオフの改善と、以前の方法よりも大きなアンサンブルを活用できることが示されている。 この結果から,大規模アンサンブルの活用が可能な高次元アプリケーションにおいて,FMを拡張性のあるフィルタリングツールとして実現することが示唆された。

関連論文リスト

• Flow-based Bayesian filtering for high-dimensional nonlinear stochastic dynamical systems [4.382988524355736]
  正規化フローを統合したフローベースベイズフィルタ(FBF)を提案する。 このフレームワークは、フローの正規化によって提供される可逆変換を用いて、効率的な密度推定とサンプリングを容易にする。 数値実験によりFBFの精度と効率が向上した。
  論文  参考訳（メタデータ） (2025-02-22T14:04:23Z)
• Adversarial Transform Particle Filters [11.330617592263744]
  粒子フィルタ(PF)とアンサンブルカルマンフィルタ(EnKF)は状態空間モデルにおける近似推論に広く用いられている。 本稿では, PF と EnKF の強みを組み合わせた新しいフィルタフレームワークである Adversarial Transform Particle Filter (ATPF) を提案する。
  論文  参考訳（メタデータ） (2025-02-10T05:31:35Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Nonlinear Filtering with Brenier Optimal Transport Maps [4.745059103971596]
  本稿では,非線形フィルタリング,すなわち動的システムの状態の条件分布の計算の問題について述べる。 従来の逐次重要再サンプリング(SIR)粒子フィルタは、縮退確率や高次元状態を含むシナリオにおいて、基本的な制限に悩まされる。 本稿では,Brenier 最適輸送 (OT) マップを,現在の状態の分布から次のステップにおける後部分布へ推定する手法について検討する。
  論文  参考訳（メタデータ） (2023-10-21T01:34:30Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering [59.349057602266]
  変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。 内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。 FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
  論文  参考訳（メタデータ） (2021-09-13T08:31:59Z)
• Machine learning-based conditional mean filter: a generalization of the ensemble Kalman filter for nonlinear data assimilation [42.60602838972598]
  スパース観測に基づく非線形ダイナミクスを持つ高次元非ガウス状態モデルを追跡する機械学習ベースのアンサンブル条件付き平均フィルタ(ML-EnCMF)を提案する。 提案手法は条件付き期待値に基づいて開発され,機械学習(ML)技術とアンサンブル法を組み合わせて数値的に実装されている。
  論文  参考訳（メタデータ） (2021-06-15T06:40:32Z)
• Innovative And Additive Outlier Robust Kalman Filtering With A Robust Particle Filter [68.8204255655161]
  提案するCE-BASSは, 粒子混合カルマンフィルタであり, 革新的および付加的両方の外れ値に対して堅牢であり, 隠蔽状態の分布における多モード性を完全に捉えることができる。 さらに、CE-BASSは過去の状態を再サンプリングすることで、トレンドの変化のような観測ですぐには見えない革新的な外れ値を扱うことができる。
  論文  参考訳（メタデータ） (2020-07-07T07:11:09Z)

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。