論文の概要: Machine Learning for Scientific Visualization: Ensemble Data Analysis

• arxiv url: http://arxiv.org/abs/2511.23290v1
• Date: Fri, 28 Nov 2025 15:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.968109
• Title: Machine Learning for Scientific Visualization: Ensemble Data Analysis
• Title（参考訳）: 科学的可視化のための機械学習:データ分析のアンサンブル
• Authors: Hamid Gadirov,
• Abstract要約: この論文は、科学的可視化を改善するためのディープラーニング技術を探究している。 科学アンサンブルのための自動エンコーダ制御次元削減手法を提案する。 次に,表現力のある高品質フロー推定のための深層学習モデルFLINTを提案する。 最後に,ハイパーネットワークによる流れ場の推定とデータの補間を行うHyperFLINTを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific simulations and experimental measurements produce vast amounts of spatio-temporal data, yet extracting meaningful insights remains challenging due to high dimensionality, complex structures, and missing information. Traditional analysis methods often struggle with these issues, motivating the need for more robust, data-driven approaches. This dissertation explores deep learning methodologies to improve the analysis and visualization of spatio-temporal scientific ensembles, focusing on dimensionality reduction, flow estimation, and temporal interpolation. First, we address high-dimensional data representation through autoencoder-based dimensionality reduction for scientific ensembles. We evaluate the stability of projection metrics under partial labeling and introduce a Pareto-efficient selection strategy to identify optimal autoencoder variants, ensuring expressive and reliable low-dimensional embeddings. Next, we present FLINT, a deep learning model for high-quality flow estimation and temporal interpolation in both flow-supervised and flow-unsupervised settings. FLINT reconstructs missing velocity fields and generates high-fidelity temporal interpolants for scalar fields across 2D+time and 3D+time ensembles without domain-specific assumptions or extensive finetuning. To further improve adaptability and generalization, we introduce HyperFLINT, a hypernetwork-based approach that conditions on simulation parameters to estimate flow fields and interpolate scalar data. This parameter-aware adaptation yields more accurate reconstructions across diverse scientific domains, even with sparse or incomplete data. Overall, this dissertation advances deep learning techniques for scientific visualization, providing scalable, adaptable, and high-quality solutions for interpreting complex spatio-temporal ensembles.
• Abstract（参考訳）: 科学的シミュレーションと実験的測定は膨大な量の時空間データを生成するが、高次元性、複雑な構造、欠落した情報のために意味のある洞察を抽出することは依然として困難である。 従来の分析手法はこれらの問題に苦しむことが多く、より堅牢でデータ駆動のアプローチの必要性を動機付けている。 この論文は、次元減少、フロー推定、時間補間に焦点を当て、時空間科学的アンサンブルの分析と可視化を改善するためのディープラーニング手法を探求する。 まず,科学的アンサンブルの自己エンコーダに基づく次元化による高次元データ表現について検討する。 部分的なラベル付けの下でのプロジェクションメトリクスの安定性を評価し、最適オートエンコーダの変種を識別し、表現的かつ信頼性の高い低次元埋め込みを保証するためにパレート効率の選択戦略を導入する。 次に、フロー制御とフロー制御の両方の設定において、高品質なフロー推定と時間的補間のためのディープラーニングモデルFLINTを提案する。 FLINTは、欠落した速度場を再構成し、2D+時間および3D+時間アンサンブルにまたがるスカラー場に対する高忠実な時間的補間をドメイン固有の仮定や広範囲な微調整なしで生成する。 適応性と一般化をさらに改善するために、ハイパーネットワークベースのアプローチであるHyperFLINTを導入し、シミュレーションパラメータの条件で流れ場を推定し、スカラーデータを補間する。 このパラメータ対応適応は、スパースデータや不完全なデータであっても、様々な科学的領域にわたってより正確な再構築をもたらす。 全体として、この論文は科学的可視化のためのディープラーニング技術を進め、複雑な時空間アンサンブルを解釈するためのスケーラブルで適応性があり高品質なソリューションを提供する。

関連論文リスト

• TemporalFlowViz: Parameter-Aware Visual Analytics for Interpreting Scramjet Combustion Evolution [9.539595635237653]
  TemporalFlowVizは、専門家主導のクラスタリング、可視化、およびスクラムジェット燃焼シミュレーションからの時間流場の解釈をサポートするために設計された、パラメータ対応のビジュアル分析ワークフローとシステムである。 提案手法では, 初期条件の異なる数百件の模擬燃焼事例を活用し, それぞれ時系列フローフィールド画像を生成する。これらのフレームから高次元埋め込みを抽出し, 次元減少と密度に基づくクラスタリングを適用して遅延燃焼モードを解明し, 時間とともに各シミュレーションの進化を追尾する時間的トラジェクタを構築した。
  論文  参考訳（メタデータ） (2025-09-05T06:35:36Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• SCENT: Robust Spatiotemporal Learning for Continuous Scientific Data via Scalable Conditioned Neural Fields [11.872753517172555]
  SCENTは、スケーラブルで連続性に富んだモデリング学習のための新しいフレームワークである。 SCENTは単一のアーキテクチャ内で表現、再構築、予測を統一する。 我々はSCENTを広範囲なシミュレーションと実世界の実験により検証し、最先端の性能を実証した。
  論文  参考訳（メタデータ） (2025-04-16T17:17:31Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• HyperFLINT: Hypernetwork-based Flow Estimation and Temporal Interpolation for Scientific Ensemble Visualization [26.472939569860607]
  HyperFLINTは、流れ場を推定し、時間的に補間し、アンサンブルデータにおけるパラメータ空間探索を容易にする、新しいディープラーニングベースのアプローチである。 一連の実験では、HyperFLINTのフロー場推定性能が大幅に向上し、パラメータ空間探索が可能になった。
  論文  参考訳（メタデータ） (2024-12-05T12:01:20Z)
• Uncovering Temporal Patterns in Visualizations of High-Dimensional Data [0.0]
  このようなデータを探索するための重要なアプローチは次元の減少であり、視覚的な探索を可能にするために2次元に高次元データを埋め込む。 本稿では,2つの時間的損失項を組み込んだ既存の次元減少手法の形式的拡張を提案する。
  論文  参考訳（メタデータ） (2024-03-27T22:26:50Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。