Fugu-MT 論文翻訳(概要): Turbulence Regression

論文の概要: Turbulence Regression

arxiv url: http://arxiv.org/abs/2512.05483v1
Date: Fri, 05 Dec 2025 07:20:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-13 22:40:56.934956
Title: Turbulence Regression
Title（参考訳）: 乱流回帰
Authors: Yingang Fan, Binjie Ding, Baiyi Chen,
Abstract要約: 本稿では,離散化データを利用したNeuTucker分解モデルを提案する。タッカーニューラルネットワークに基づく低ランクタッカー分解モデルを構築し、3次元風速データ内の潜時相互作用をキャプチャする。この離散化NeuTucFモデルでは、実際のデータセットにおける観測の欠如を推定すると、様々な一般的な回帰モデルと比較して優れた性能を示す。
参考スコア（独自算出の注目度）: 0.4779196219827507
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Air turbulence refers to the disordered and irregular motion state generated by drastic changes in velocity, pressure, or direction during airflow. Various complex factors lead to intricate low-altitude turbulence outcomes. Under current observational conditions, especially when using only wind profile radar data, traditional methods struggle to accurately predict turbulence states. Therefore, this paper introduces a NeuTucker decomposition model utilizing discretized data. Designed for continuous yet sparse three-dimensional wind field data, it constructs a low-rank Tucker decomposition model based on a Tucker neural network to capture the latent interactions within the three-dimensional wind field data. Therefore, two core ideas are proposed here: 1) Discretizing continuous input data to adapt to models like NeuTucF that require discrete data inputs. 2) Constructing a four-dimensional Tucker interaction tensor to represent all possible spatio-temporal interactions among different elevations and three-dimensional wind speeds. In estimating missing observations in real datasets, this discretized NeuTucF model demonstrates superior performance compared to various common regression models.
Abstract（参考訳）: 気流は、気流中の速度、圧力、方向の劇的な変化によって生じる乱れや不規則な運動状態を指す。様々な複雑な要因が、複雑な低高度乱流の結果をもたらす。現在の観測条件、特に風向レーダーデータのみを使用する場合、従来の手法は乱流状態を正確に予測するのに苦労する。そこで本研究では,離散化データを利用したNeuTucker分解モデルを提案する。連続的かつスパースな3次元風力データのために設計され、タッカーニューラルネットワークに基づく低ランクタッカー分解モデルを構築し、3次元風力データ内の潜時相互作用をキャプチャする。したがって、ここでは2つの中核的な考えが提案されている。 1) 離散的なデータ入力を必要とするNeuTucFのようなモデルに適応するために連続的な入力データを識別する。 2) 異なる標高と3次元風速の時空間相互作用を表わすための4次元タッカー相互作用テンソルを構築する。この離散化NeuTucFモデルは、実際のデータセットにおける観測不足を推定する際に、様々な一般的な回帰モデルと比較して優れた性能を示す。

関連論文リスト

Diffusion-Based, Data-Assimilation-Enabled Super-Resolution of Hub-height Winds [15.944027638997675]
WindSRは、ハブ高さ風の超解像ダウンスケーリングのためのデータ同化を伴う拡散モデルである。 WindSRは、最先端拡散モデルを用いて、ダウンスケーリング中のシミュレーションフィールドとスパース観測データを統合する。我々のデータ同化は、WindSRのモデルバイアスを独立観測と比較して約20%削減する。
論文参考訳（メタデータ） (2025-10-03T03:38:58Z)
InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
InJecteDは拡散確率モデル(DDPM)を解釈するフレームワークこのフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
論文参考訳（メタデータ） (2025-09-09T14:53:19Z)
Capturing Extreme Events in Turbulence using an Extreme Variational Autoencoder (xVAE) [2.393499494583]
Extreme variational Autoencoder (xVAE) は、重み付き分布を持つ最大無制限のプロセスを標準のVAEフレームワークに組み込む。 xVAEは、データの非線形潜在表現を学習することで、システム次元を減少させる。
論文参考訳（メタデータ） (2025-02-07T06:17:31Z)
Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
論文参考訳（メタデータ） (2024-10-31T14:26:10Z)
Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence [0.0]
本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
論文参考訳（メタデータ） (2024-10-17T20:53:04Z)
F3-Pruning: A Training-Free and Generalized Pruning Strategy towards Faster and Finer Text-to-Video Synthesis [94.10861578387443]
変圧器と拡散モデルを用いた2つの主流T2Vモデルの推論過程について検討する。本稿では、時間的余分な注意重みを突破するF3プルーニングと呼ばれるトレーニングフリーで一般化されたプルーニング戦略を提案する。古典的なトランスフォーマーベースモデルCogVideoと典型的な拡散ベースモデルTune-A-Videoを用いた3つのデータセットの大規模な実験により、F3-Pruningの有効性が検証された。
論文参考訳（メタデータ） (2023-12-06T12:34:47Z)
Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文参考訳（メタデータ） (2022-07-20T17:09:16Z)
Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文参考訳（メタデータ） (2022-03-11T09:46:22Z)
A Numerical Proof of Shell Model Turbulence Closure [41.94295877935867]
本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
論文参考訳（メタデータ） (2022-02-18T16:31:57Z)
T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
論文参考訳（メタデータ） (2020-10-26T21:14:15Z)
Wind speed prediction using multidimensional convolutional neural networks [5.228711636020665]
本稿では,風速予測タスクのための畳み込みニューラルネットワーク(CNN)に基づくモデルを提案する。従来のCNNモデルと比較して,提案モデルでは風速データより優れた特徴付けが可能であることを示す。
論文参考訳（メタデータ） (2020-07-04T20:48:41Z)

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。