論文の概要: A Dynamics-Informed Gaussian Process Framework for 2D Stochastic Navier-Stokes via Quasi-Gaussianity

• arxiv url: http://arxiv.org/abs/2511.21281v1
• Date: Wed, 26 Nov 2025 11:13:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.071672
• Title: A Dynamics-Informed Gaussian Process Framework for 2D Stochastic Navier-Stokes via Quasi-Gaussianity
• Title（参考訳）: 準ガウス性による2次元確率的ナビエストークのための動的インフォームドガウス過程フレームワーク
• Authors: Boumediene Hamzi, Houman Owhadi,
• Abstract要約: Coe, Hairer, Tolomeoによる2次元ナビエストークス方程式の準ガウス性に関する最近の証明 この理論の基礎の上に構築された2次元SNSの確率的フレームワークを導入する。 これは、乱流に対する厳密な長時間の力学的正当化を先立って、原理化されたGPを提供する。
• 参考スコア（独自算出の注目度）: 2.1485350418225244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recent proof of quasi-Gaussianity for the 2D stochastic Navier--Stokes (SNS) equations by Coe, Hairer, and Tolomeo establishes that the system's unique invariant measure is equivalent (mutually absolutely continuous) to the Gaussian measure of its corresponding linear Ornstein--Uhlenbeck (OU) process. While Gaussian process (GP) frameworks are increasingly used for fluid dynamics, their priors are often chosen for convenience rather than being rigorously justified by the system's long-term dynamics. In this work, we bridge this gap by introducing a probabilistic framework for 2D SNS built directly upon this theoretical foundation. We construct our GP prior precisely from the stationary covariance of the linear OU model, which is explicitly defined by the forcing spectrum and dissipation. This provides a principled, GP prior with rigorous long-time dynamical justification for turbulent flows, bridging SPDE theory and practical data assimilation.
• Abstract（参考訳）: コー、ヘアラー、トロメオによる2次元確率的ナビエ-ストークス方程式の準ガウス性(英語版)の最近の証明は、系のユニークな不変測度がその対応する線型オルンシュタイン-ウレンベック(英語版)(OU)過程のガウス測度に等しい(無限に連続)ことを証明している。 ガウス過程(GP)フレームワークは流体力学にますます使われているが、システムの長期的力学によって厳格に正当化されるのではなく、利便性のために選択されることが多い。 本研究では,この理論基盤の上に構築された2次元SNSの確率的枠組みを導入することにより,このギャップを埋める。 我々は、強制スペクトルと散逸によって明確に定義される線形OUモデルの定常共分散から、正確にGPを構築する。 これは、乱流に対する厳密な長期的力学的正当化、SPDE理論のブリッジ、実用的なデータ同化を先立って、原理化されたGPを提供する。

関連論文リスト

• Riemannian Neural Geodesic Interpolant [15.653104625330062]
  微分補間子は、2つの任意の確率密度関数を有限時間でブリッジする効率的な生成モデルである。 これらのモデルは主にユークリッド空間で開発されており、多くの分布学習問題への応用に限られている。 2つの確率密度の間を補間するリーマン測地補間(RNGI)モデルを導入する。
  論文  参考訳（メタデータ） (2025-04-22T09:28:29Z)
• Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
  本研究では、円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。 本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Bayesian Gaussian Process ODEs via Double Normalizing Flows [27.015257976208737]
  本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。 また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。 シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-17T09:28:47Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Linear Time GPs for Inferring Latent Trajectories from Neural Spike Trains [7.936841911281107]
  我々は,Hida-Mat'ernカーネルと共役変分推論(CVI)を利用した潜在GPモデルの一般的な推論フレームワークであるcvHMを提案する。 我々は任意の確率で線形時間複雑性を持つ潜在神経軌道の変分推定を行うことができる。
  論文  参考訳（メタデータ） (2023-06-01T16:31:36Z)
• A Dynamical System View of Langevin-Based Non-Convex Sampling [44.002384711340966]
  非サンプリングは機械学習における重要な課題であり、ディープラーニングにおける非レート最適化の中心であり、その重要性を近似する。 既存の保証は通常、より望ましい最終段階の反復よりも平均距離のみを保持する。 我々は、理論システムからいくつかのツールを活用することにより、上記の問題を解消する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-10-25T09:43:36Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Bernstein-Greene-Kruskal approach for the quantum Vlasov equation [91.3755431537592]
  一次元定常量子ブラソフ方程式は、エネルギーを力学変数の1つとして分析する。 量子トンネル効果が小さい半古典的な場合、無限級数解が開発される。
  論文  参考訳（メタデータ） (2021-02-18T20:55:04Z)

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。