論文の概要: IDOL: Meeting Diverse Distribution Shifts with Prior Physics for Tropical Cyclone Multi-Task Estimation

• arxiv url: http://arxiv.org/abs/2511.11750v1
• Date: Thu, 13 Nov 2025 16:35:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.278008
• Title: IDOL: Meeting Diverse Distribution Shifts with Prior Physics for Tropical Cyclone Multi-Task Estimation
• Title（参考訳）: IDOL: 熱帯サイクロンマルチタスク推定のための先行物理を用いた多元分布シフト
• Authors: Hanting Yan, Pan Mu, Shiqi Zhang, Yuchao Zhu, Jinglin Zhang, Cong Bai,
• Abstract要約: 熱帯サイクロン(TC)推定は,様々なTC属性をリアルタイムで正確に推定することを目的としている。 TC環境分野の複雑でダイナミックな性質から生じる分布変化は、信頼性の高い推定に重大な課題をもたらす。 我々はIDOL(Identity Distribution-Oriented Physical Invariant Learning framework)を提案する。 IDOLは、事前の物理的知識のガイダンスの下で特徴空間を規制するために、アイデンティティ指向の制約を課す。
• 参考スコア（独自算出の注目度）: 27.16895980593368
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Tropical Cyclone (TC) estimation aims to accurately estimate various TC attributes in real time. However, distribution shifts arising from the complex and dynamic nature of TC environmental fields, such as varying geographical conditions and seasonal changes, present significant challenges to reliable estimation. Most existing methods rely on multi-modal fusion for feature extraction but overlook the intrinsic distribution of feature representations, leading to poor generalization under out-of-distribution (OOD) scenarios. To address this, we propose an effective Identity Distribution-Oriented Physical Invariant Learning framework (IDOL), which imposes identity-oriented constraints to regulate the feature space under the guidance of prior physical knowledge, thereby dealing distribution variability with physical invariance. Specifically, the proposed IDOL employs the wind field model and dark correlation knowledge of TC to model task-shared and task-specific identity tokens. These tokens capture task dependencies and intrinsic physical invariances of TC, enabling robust estimation of TC wind speed, pressure, inner-core, and outer-core size under distribution shifts. Extensive experiments conducted on multiple datasets and tasks demonstrate the outperformance of the proposed IDOL, verifying that imposing identity-oriented constraints based on prior physical knowledge can effectively mitigates diverse distribution shifts in TC estimation.Code is available at https://github.com/Zjut-MultimediaPlus/IDOL.
• Abstract（参考訳）: 熱帯サイクロン(TC)推定は,様々なTC属性をリアルタイムで正確に推定することを目的としている。 しかし, 地理的条件や季節変化など, TC環境分野の複雑・動的性質から生じる分布変化は, 信頼性の高い推定に重大な課題をもたらす。 既存のほとんどの手法は特徴抽出にマルチモーダル融合を頼っているが、特徴表現の本質的な分布を見落とし、オフ・オブ・ディストリビューション(OOD)のシナリオでは一般化が不十分である。 そこで本研究では,IDOL(Identity Distribution-Oriented Physical Invariant Learning)フレームワークを提案する。 特に,提案したIDOLは,タスク共有およびタスク固有IDトークンをモデル化するために,TTCの風場モデルと暗相関知識を用いる。 これらのトークンは、TCのタスク依存性と本質的な物理的不変性をキャプチャし、分散シフトの下でのTC風速、圧力、インナーコア、外コアサイズを堅牢に推定することができる。 複数のデータセットやタスクで実施された大規模な実験は、提案したIDOLの性能を実証し、事前の物理知識に基づいてID指向の制約を課すことで、TC推定における多様な分散シフトを効果的に軽減できることを検証する。

関連論文リスト

• Feature-Based Instance Neighbor Discovery: Advanced Stable Test-Time Adaptation in Dynamic World [7.9346432903946535]
  深層ニューラルネットワークは、トレーニングとテストドメイン間の分散シフトによって、依然としてパフォーマンスが低下している。 本稿では,FIND(Feature-based Instance Neighbor Discovery)を提案する。FIND(Feature-wise Feature Disentanglement),FABN(Feature Aware Batch Normalization),Selective FABN(S-FABN)の3つの主要コンポーネントからなる。 実験では、FINDは既存の手法を著しく上回り、動的シナリオにおいて30%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-06-07T12:45:49Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Counterfactual experience augmented off-policy reinforcement learning [9.77739016575541]
  CEAは効率的な推論モデルを構築し、学習データの表現性を向上する。 変分オートエンコーダを使用して状態遷移の動的パターンをモデル化する。 学習データのアウト・オブ・ディストリビューション問題を緩和するために、完全な反ファクト体験を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:32:50Z)
• Tipping Points of Evolving Epidemiological Networks: Machine Learning-Assisted, Data-Driven Effective Modeling [0.0]
  適応型感受性感染症(SIS)疫学ネットワークのチップポイント集団動態を,データ駆動型機械学習支援方式で検討した。 複素実効微分方程式(eSDE)を物理的に有意な粗い平均場変数で同定する。 本研究では, 頻繁な現象の統計を, 繰り返しブルート力シミュレーションと, 確立された数学的・計算ツールを用いて研究する。
  論文  参考訳（メタデータ） (2023-11-01T19:33:03Z)
• Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
  ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。 教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。 本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-06T00:20:19Z)
• Latent Covariate Shift: Unlocking Partial Identifiability for Multi-Source Domain Adaptation [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Challenge-Aware RGBT Tracking [32.88141817679821]
  本稿では,モダリティに偏った課題と,モダリティに特有の課題に対処する,新たな課題認識ニューラルネットワークを提案する。 提案手法は,3つのベンチマークデータセット上での最先端手法に対して高い性能を保ちながら,リアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-26T15:11:44Z)

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。