論文の概要: Spatio-temporal modeling and forecasting with Fourier neural operators

• arxiv url: http://arxiv.org/abs/2601.01813v1
• Date: Mon, 05 Jan 2026 05:49:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.777605
• Title: Spatio-temporal modeling and forecasting with Fourier neural operators
• Title（参考訳）: フーリエニューラル作用素を用いた時空間モデリングと予測
• Authors: Pratik Nag, Andrew Zammit-Mangion, Sumeetpal Singh, Noel Cressie,
• Abstract要約: 本研究は, 動的統計時間モデル構築にニューラル演算子(FNO)を用いることを提案する。 FNO は、未知の線型あるいは非線型偏微分方程式の解を近似する関数のフレキシブルな写像である。 欧州全体での海面温度データを用いて,FNOに基づく動的時間-DST統計モデリングの可能性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-temporal process models are often used for modeling dynamic physical and biological phenomena that evolve across space and time. These phenomena may exhibit environmental heterogeneity and complex interactions that are difficult to capture using traditional statistical process models such as Gaussian processes. This work proposes the use of Fourier neural operators (FNOs) for constructing statistical dynamical spatio-temporal models for forecasting. An FNO is a flexible mapping of functions that approximates the solution operator of possibly unknown linear or non-linear partial differential equations (PDEs) in a computationally efficient manner. It does so using samples of inputs and their respective outputs, and hence explicit knowledge of the underlying PDE is not required. Through simulations from a nonlinear PDE with known solution, we compare FNO forecasts to those from state-of-the-art statistical spatio-temporal-forecasting methods. Further, using sea surface temperature data over the Atlantic Ocean and precipitation data across Europe, we demonstrate the ability of FNO-based dynamic spatio-temporal (DST) statistical modeling to capture complex real-world spatio-temporal dependencies. Using collections of testing instances, we show that the FNO-DST forecasts are accurate with valid uncertainty quantification.
• Abstract（参考訳）: 時空間モデルはしばしば、空間と時間の間で進化する動的物理現象や生物学的現象のモデリングに使用される。 これらの現象は、ガウス過程のような従来の統計過程モデルを用いて捉えるのが難しい環境不均一性と複雑な相互作用を示す可能性がある。 本研究は,予測のための統計的動的時空間モデル構築にフーリエニューラル演算子(FNO)を用いることを提案する。 FNOは、未知の線形あるいは非線形偏微分方程式(PDE)の解作用素を計算的に効率的に近似する関数のフレキシブルな写像である。 入力のサンプルとそれぞれの出力を使用するため、基礎となるPDEの明示的な知識は必要ない。 非線形PDEと既知の解のシミュレーションにより、FNO予測と最先端の統計時空間予測法との比較を行う。 さらに、大西洋上の海面温度データとヨーロッパ全体の降水データを用いて、FNOに基づく動的時空間(DST)統計モデルを用いて、複雑な実世界の時空間依存性を捉える能力を示す。 その結果,FNO-DST予測は不確かさの定量化によって正確であることがわかった。

関連論文リスト

• Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
  本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。 摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
  論文  参考訳（メタデータ） (2025-01-21T02:38:28Z)
• ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations [18.64802090861607]
  ProGen Proは、不確実性を管理しながら依存関係を効果的にキャプチャする堅牢なソリューションを提供する。 4つのベンチマークトラフィックデータセットの実験により、ProGen Proは最先端の決定論的確率モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T14:37:30Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Learning Spatiotemporal Dynamical Systems from Point Process Observations [7.381752536547389]
  現在のニューラルネットワークベースのモデルアプローチは、時間と空間でランダムに収集されるデータに直面したときに不足する。 そこで我々は,このようなプロセス観察から効果的に学習できる新しい手法を開発した。 我々のモデルは、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現、そしてアモータライズされた変分推論の技法を統合している。
  論文  参考訳（メタデータ） (2024-06-01T09:03:32Z)
• Towards Climate Variable Prediction with Conditioned Spatio-Temporal Normalizing Flows [23.902086943159624]
  予測的不確実性推定と効率的な推論の正確な可能性のような、その望ましい性質により、手法が選択される。 発見は時間モデリングの分野の正規化に重要な洞察をもたらし、潜在的な応用は様々な科学分野にまたがる。
  論文  参考訳（メタデータ） (2023-11-12T20:52:14Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。