論文の概要: Physics-Informed Operator Learning for Hemodynamic Modeling

• arxiv url: http://arxiv.org/abs/2509.17293v1
• Date: Mon, 22 Sep 2025 00:24:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.204868
• Title: Physics-Informed Operator Learning for Hemodynamic Modeling
• Title（参考訳）: 物理インフォームド演算子学習による血行動態モデリング
• Authors: Ryan Chappell, Chayan Banerjee, Kien Nguyen, Clinton Fookes,
• Abstract要約: State-of-the-the-art Physics-informed Neural Network (PINN) アプローチでは、偏微分方程式の制約を強制するために、逆あるいは対照的な目的を持つ深いマルチブランチアーキテクチャを採用している。 物理インフォームドニューラル演算子学習モデルについて,知識蒸留による簡易アーキテクチャの訓練のための効率的な監視信号として検討する。 提案手法は,高忠実度カフレス血圧記録における物理情報を用いたDeepONet (PI-DeepONet) を事前学習し,物理制約下での生ウェアラブル波形からビート・ツー・ビート・プレッシャ信号への演算子マッピングを学習する。
• 参考スコア（独自算出の注目度）: 21.23338035603045
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate modeling of personalized cardiovascular dynamics is crucial for non-invasive monitoring and therapy planning. State-of-the-art physics-informed neural network (PINN) approaches employ deep, multi-branch architectures with adversarial or contrastive objectives to enforce partial differential equation constraints. While effective, these enhancements introduce significant training and implementation complexity, limiting scalability and practical deployment. We investigate physics-informed neural operator learning models as efficient supervisory signals for training simplified architectures through knowledge distillation. Our approach pre-trains a physics-informed DeepONet (PI-DeepONet) on high-fidelity cuffless blood pressure recordings to learn operator mappings from raw wearable waveforms to beat-to-beat pressure signals under embedded physics constraints. This pre-trained operator serves as a frozen supervisor in a lightweight knowledge-distillation pipeline, guiding streamlined base models that eliminate complex adversarial and contrastive learning components while maintaining performance. We characterize the role of physics-informed regularization in operator learning and demonstrate its effectiveness for supervisory guidance. Through extensive experiments, our operator-supervised approach achieves performance parity with complex baselines (correlation: 0.766 vs. 0.770, RMSE: 4.452 vs. 4.501), while dramatically reducing architectural complexity from eight critical hyperparameters to a single regularization coefficient and decreasing training overhead by 4%. Our results demonstrate that operator-based supervision effectively replaces intricate multi-component training strategies, offering a more scalable and interpretable approach to physiological modeling with reduced implementation burden.
• Abstract（参考訳）: パーソナライズされた循環動態の正確なモデリングは、非侵襲的なモニタリングと治療計画に不可欠である。 State-of-the-the-art Physics-informed Neural Network (PINN) アプローチでは、偏微分方程式の制約を強制するために、逆あるいは対照的な目的を持つ深いマルチブランチアーキテクチャを採用している。 効果的ではあるが、これらの拡張は、大幅なトレーニングと実装の複雑さを導入し、スケーラビリティと実践的なデプロイメントを制限します。 物理インフォームドニューラル演算子学習モデルについて,知識蒸留による簡易アーキテクチャの訓練のための効率的な監視信号として検討する。 提案手法は,高忠実度カフレス血圧記録における物理情報を用いたDeepONet (PI-DeepONet) を事前学習し,物理制約下での生ウェアラブル波形からビート・ツー・ビート・プレッシャ信号への演算子マッピングを学習する。 この事前訓練されたオペレータは、軽量な知識蒸留パイプラインにおける凍結したスーパーバイザとして機能し、複雑な対向的および対照的な学習コンポーネントを排除し、性能を維持しながら、合理化されたベースモデルを導く。 演算子学習における物理インフォームド正規化の役割を特徴づけ,その指導効果を実証する。 広範にわたる実験により, 演算子監督手法は, 複雑なベースライン(相関: 0.766 vs. 0.770, RMSE: 4.452 vs. 4.501)と同等性能を実現し, アーキテクチャの複雑さを8つの臨界ハイパーパラメータから1つの正規化係数に劇的に低減し, トレーニングオーバーヘッドを4%削減する。 その結果,操作者による指導は複雑な多成分トレーニング戦略を効果的に置き換えることが示され,実装負担を低減した生理学的モデリングに対するよりスケーラブルで解釈可能なアプローチが提供される。

関連論文リスト

• Self-Composing Neural Operators with Depth and Accuracy Scaling via Adaptive Train-and-Unroll Approach [12.718377513965912]
  本稿では,自己合成によるニューラル演算子の効率性と精度を高める新しい枠組みを提案する。 数値偏微分方程式 (PDE) を解くための反復的手法に着想を得て, 1つのニューラル演算子ブロックを繰り返し適用して, 特定のニューラル演算子を設計する。 適応型トレイン・アンド・アンロールアプローチを導入し、トレーニング中にニューラル演算子の深さが徐々に増加する。
  論文  参考訳（メタデータ） (2025-08-28T10:53:00Z)
• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Cost-effective Reduced-Order Modeling via Bayesian Active Learning [12.256032958843065]
  本研究では,不確実性を意識したベイズ固有分解(POD)に基づく能動的学習フレームワークBayPOD-ALを提案する。 棒の温度変化を予測する実験結果から,ベイポッドALの有効性が示唆された。 トレーニングデータセットよりも高時間分解能のデータセット上で,ベイポD-ALの性能を評価することにより,ベイポD-ALの一般化性と効率を実証する。
  論文  参考訳（メタデータ） (2025-06-27T21:23:37Z)
• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• Trajectory Entropy Reinforcement Learning for Predictable and Robust Control [12.289021814766539]
  強化学習におけるシンプルな政策に対する新たな帰納的バイアスを導入する。 単純な帰納バイアスは、作用軌跡全体のエントロピーを最小化することによって導入される。 学習方針がより循環的かつ一貫した行動軌跡を生み出すことを示す。
  論文  参考訳（メタデータ） (2025-05-07T07:41:29Z)
• An Overview of Low-Rank Structures in the Training and Adaptation of Large Models [52.67110072923365]
  近年の研究では、低ランク構造の出現というディープネットワークの広範な現象が明らかになった。 これらの暗黙の低次元パターンは、トレーニングの効率と微調整された大規模モデルを改善するための貴重な洞察を提供する。 深層学習のための低ランク構造の利用の進歩を概観し,その数学的基礎に光を当てる。
  論文  参考訳（メタデータ） (2025-03-25T17:26:09Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Operator Inference and Physics-Informed Learning of Low-Dimensional Models for Incompressible Flows [5.756349331930218]
  本稿では,データからの非圧縮性流れに対する構造的低次モデル学習への新たなアプローチを提案する。 本研究では,速度と圧力の学習ダイナミクスを分離し,効率的な演算子推論手法を提案する。
  論文  参考訳（メタデータ） (2020-10-13T21:26:19Z)

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。