論文の概要: Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation

• arxiv url: http://arxiv.org/abs/2510.24216v1
• Date: Tue, 28 Oct 2025 09:30:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.987934
• Title: Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation
• Title（参考訳）: 物理誘導増強によるダイナミクスのアウト・オブ・ディストリビューション一般化の解法
• Authors: Fan Xu, Hao Wu, Kun Wang, Nan Wang, Qingsong Wen, Xian Wu, Wei Gong, Xibin Zhao,
• Abstract要約: 物理誘導量拡張プラグインのSPARKについて述べる。 多様なベンチマーク実験により、SPARKは最先端のベースラインを大幅に上回っていることが示された。
• 参考スコア（独自算出の注目度）: 46.40087254928057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In dynamical system modeling, traditional numerical methods are limited by high computational costs, while modern data-driven approaches struggle with data scarcity and distribution shifts. To address these fundamental limitations, we first propose SPARK, a physics-guided quantitative augmentation plugin. Specifically, SPARK utilizes a reconstruction autoencoder to integrate physical parameters into a physics-rich discrete state dictionary. This state dictionary then acts as a structured dictionary of physical states, enabling the creation of new, physically-plausible training samples via principled interpolation in the latent space. Further, for downstream prediction, these augmented representations are seamlessly integrated with a Fourier-enhanced Graph ODE, a combination designed to robustly model the enriched data distribution while capturing long-term temporal dependencies. Extensive experiments on diverse benchmarks demonstrate that SPARK significantly outperforms state-of-the-art baselines, particularly in challenging out-of-distribution scenarios and data-scarce regimes, proving the efficacy of our physics-guided augmentation paradigm.
• Abstract（参考訳）: 動的システムモデリングでは、従来の数値法は計算コストが高いために制限されるが、現代のデータ駆動型アプローチはデータの不足と分散シフトに悩まされている。 これらの基本的な制約に対処するために、まず物理誘導量拡張プラグインであるSPARKを提案する。 具体的には、再構成オートエンコーダを用いて物理パラメータを物理量の多い離散状態辞書に統合する。 この状態辞書は、物理的状態の構造化辞書として機能し、潜在空間における原理的補間を通して、新しい物理的に証明可能なトレーニングサンプルを作成することができる。 さらに、下流予測では、これらの拡張表現は、長期の時間的依存関係をキャプチャしながら、リッチなデータ分散を堅牢にモデル化するFourier-enhanced Graph ODEとシームレスに統合される。 多様なベンチマークに関する大規模な実験により、SPARKは最先端のベースラインを著しく上回り、特に配布外シナリオやデータスカースレジームに挑戦し、物理誘導強化パラダイムの有効性を証明した。

関連論文リスト

• PHDME: Physics-Informed Diffusion Models without Explicit Governing Equations [0.496981595868944]
  拡散モデルは、力学系の軌跡を予測するための表現力のある先行情報を提供するが、通常スパースデータ構造では信頼できない。 エルフスパース観測および不完全物理のために設計されたポート・ハミルトン拡散フレームワークである textbfPHDME を紹介する。 PDEベンチマークと実世界のスプリングシステムの実験では、データの不足下での精度と物理的一貫性が改善された。
  論文  参考訳（メタデータ） (2026-01-29T03:53:48Z)
• PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
  本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
  論文  参考訳（メタデータ） (2025-05-25T21:12:01Z)
• PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
  我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。 我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。 PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-02T08:54:18Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• 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)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
  非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。 我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
  論文  参考訳（メタデータ） (2024-03-03T02:19:49Z)
• Modeling Spatio-temporal Dynamical Systems with Neural Discrete Learning and Levels-of-Experts [33.335735613579914]
  本稿では,ビデオフレームなどの観測結果に基づいて,時間・動的システムの状態変化をモデル化し,推定することの課題に対処する。 本稿では、一般的な物理プロセスの法則をデータ駆動方式で捉えるために、ユニバーサルエキスパートモジュール、すなわち光フロー推定コンポーネントを提案する。 我々は、既存のSOTAベースラインと比較して、提案フレームワークが大きなパフォーマンスマージンを達成することを示すため、広範囲な実験と改善を実施している。
  論文  参考訳（メタデータ） (2024-02-06T06:27:07Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)

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。