論文の概要: Uncertainty-Aware Flow Field Reconstruction Using SVGP Kolmogorov-Arnold Networks

• arxiv url: http://arxiv.org/abs/2512.22426v1
• Date: Sat, 27 Dec 2025 01:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.047348
• Title: Uncertainty-Aware Flow Field Reconstruction Using SVGP Kolmogorov-Arnold Networks
• Title（参考訳）: SVGPコルモゴロフ・アルノルドネットワークを用いた不確実性認識流れ場再構成
• Authors: Y. Sungtaek Ju,
• Abstract要約: スパース変分ガウス過程を用いた不確実性を考慮したフロー再構成のための機械学習フレームワークを提案する。 パルス衝突噴流からの合成データを用いて,0.5%から10%のPIVサンプリング速度での性能を評価する。 SVGP-KAN法は,確立された手法に匹敵する再現精度を実現するとともに,精度の高い不確実性推定も提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing time-resolved flow fields from temporally sparse velocimetry measurements is critical for characterizing many complex thermal-fluid systems. We introduce a machine learning framework for uncertainty-aware flow reconstruction using sparse variational Gaussian processes in the Kolmogorov-Arnold network topology (SVGP-KAN). This approach extends the classical foundations of Linear Stochastic Estimation (LSE) and Spectral Analysis Modal Methods (SAMM) while enabling principled epistemic uncertainty quantification. We perform a systematic comparison of our framework with the classical reconstruction methods as well as Kalman filtering. Using synthetic data from pulsed impingement jet flows, we assess performance across fractional PIV sampling rates ranging from 0.5% to 10%. Evaluation metrics include reconstruction error, generalization gap, structure preservation, and uncertainty calibration. Our SVGP-KAN methods achieve reconstruction accuracy comparable to established methods, while also providing well-calibrated uncertainty estimates that reliably indicate when and where predictions degrade. The results demonstrate a robust, data-driven framework for flow field reconstruction with meaningful uncertainty quantification and offer practical guidance for experimental design in periodic flows.
• Abstract（参考訳）: 時空速度測定から時間分解流れ場を再構築することは、多くの複雑な熱流体系を特徴づけるのに重要である。 コルモゴロフ・アルノルドネットワークトポロジー(SVGP-KAN)における疎変動ガウス過程を用いた不確実性認識フロー再構成のための機械学習フレームワークを提案する。 このアプローチは、線形確率推定(LSE)とスペクトル解析モーダル法(SAMM)の古典的基礎を拡張しつつ、原則化されたてんかんの不確実性定量化を可能にした。 従来の再構成手法とKalmanフィルタを体系的に比較した。 パルス衝突噴流からの合成データを用いて,0.5%から10%のPIVサンプリング速度での性能を評価する。 評価指標には、再構成エラー、一般化ギャップ、構造保存、不確実性校正などがある。 SVGP-KAN法は確立された手法に匹敵する再現精度を実現するとともに,予測がいつ,どこで低下するかを確実に示す精度の高い不確実性推定も提供する。 その結果, 意味のある不確実性定量化を伴う流れ場再構築のための頑健でデータ駆動型フレームワークが示され, 周期流における実験設計のための実践的ガイダンスが得られた。

関連論文リスト

• Uncertainty Quantification for Scientific Machine Learning using Sparse Variational Gaussian Process Kolmogorov-Arnold Networks (SVGP KAN) [0.0]
  Kolmogorov-Arnold Networksは、従来の多層パーセプトロンの解釈可能な代替品として登場した。 スパース変分ガウス過程推論をコルモゴロフ・アルノルト位相と統合する枠組みを提案する。
  論文  参考訳（メタデータ） (2025-12-04T22:58:32Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Mean flow data assimilation using physics-constrained Graph Neural Networks [0.0]
  本研究では,グラフニューラルネットワーク(GNN)と最適化手法を統合し,平均流路復元の精度を高める新しいデータ同化手法を提案する。 GNNフレームワークは非構造化データを扱うのに適しており、計算流体力学(CFD)で遭遇する複雑な測地に共通している。 その結果,データ駆動モデルに類似するモデルと比較して,訓練データに制限がある場合でも,平均フロー再構成の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• With or Without Replacement? Improving Confidence in Fourier Imaging [5.542462410129539]
  標準LASSOの性能を向上した重み付き再構成手法が, サンプリングと交換なしの遷移によってどのようにして実現されるかを示す。 本稿では、この再加重サンプリングのアイデアが、デバイアス推定器をいかに改善するかを説明する。
  論文  参考訳（メタデータ） (2024-07-18T15:15:19Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation [26.520247496906492]
  本研究では,条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が,この問題に対処するための有効な選択肢であるかどうかを解析する。 各種流速予測手法の性能を定量的に定性的に評価するために, 非圧縮性および超音速流を含む3つの難解な2次元シナリオと等方性乱流を用いる。 単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-09-04T18:01:42Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。