論文の概要: Data-Driven Reduced-Complexity Modeling of Fluid Flows: A Community Challenge

• arxiv url: http://arxiv.org/abs/2601.06183v1
• Date: Wed, 07 Jan 2026 18:55:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.65332
• Title: Data-Driven Reduced-Complexity Modeling of Fluid Flows: A Community Challenge
• Title（参考訳）: データ駆動型流体の還元・複雑度モデリング : 地域社会への挑戦
• Authors: Oliver T. Schmidt, Aaron Towne, Adrian Lozano-Duran, Scott T. M. Dawson, Ricardo Vinuesa,
• Abstract要約: 本研究では, 複雑な空域流れの圧縮, 予測, センシングのためのデータ駆動手法の比較を容易にするためのコミュニティチャレンジを提案する。 課題は誰でも公開されており、私たちは広く参加して、何が機能するのか、現在のメソッドが不足しているのかを、包括的でバランスのとれたイメージを構築することをお勧めします。
• 参考スコア（独自算出の注目度）: 2.5104533767972974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a community challenge designed to facilitate direct comparisons between data-driven methods for compression, forecasting, and sensing of complex aerospace flows. The challenge is organized into three tracks that target these complementary capabilities: compression (compact representations for large datasets), forecasting (predicting future flow states from a finite history), and sensing (inferring unmeasured flow states from limited measurements). Across these tracks, multiple challenges span diverse flow datasets and use cases, each emphasizing different model requirements. The challenge is open to anyone, and we invite broad participation to build a comprehensive and balanced picture of what works and where current methods fall short. To support fair comparisons, we provide standardized success metrics, evaluation tools, and baseline implementations, with one classical and one machine-learning baseline per challenge. Final assessments use blind tests on withheld data. We explicitly encourage negative results and careful analyses of limitations. Outcomes will be disseminated through an AIAA Journal Virtual Collection and invited presentations at AIAA conferences.
• Abstract（参考訳）: 本研究では, 複雑な空域流れの圧縮, 予測, センシングを行うデータ駆動手法の直接比較を容易にするためのコミュニティチャレンジを提案する。 この課題は、これらの補完的な機能をターゲットにした3つのトラックで構成されている。圧縮(大規模なデータセットのコンパクトな表現)、予測(有限履歴から将来のフロー状態を予測する)、センシング(限られた測定値から未測定フロー状態を推測する)。 これらのトラック全体では、さまざまなフローデータセットとユースケースにまたがる複数の課題があり、それぞれが異なるモデル要件を強調している。 課題は誰でも公開されており、私たちは広く参加して、何が機能するのか、現在のメソッドが不足しているのかを、包括的でバランスのとれたイメージを構築することをお勧めします。 公平な比較をサポートするため、標準化された成功指標、評価ツール、ベースライン実装を提供し、課題ごとに1つの古典的および1つの機械学習ベースラインを提供します。 最終的な評価では、保持されていないデータの盲点テストを使用する。 我々は、明示的にネガティブな結果と、制限の慎重な分析を奨励する。 AIAA Journal Virtual Collectionを通じて成果が配布され、AIAAカンファレンスで招待されたプレゼンテーションが行われる。

関連論文リスト

• ONERA's CRM WBPN database for machine learning activities, related regression challenge and first results [0.0]
  本稿では, ONERAで開発された新しい計算流体力学データベースについて, 空力場予測のための機械学習技術の進歩を支援する。 これは、NASA/Boeing Common Research Modelのウィングボディ・ボディ・パイロン・ナセル構成で実施されたスパラート・オールマラス乱流モデルを用いて、レイノルズ平均ナビエ・ストークスの468個のシミュレーションを含んでいる。
  論文  参考訳（メタデータ） (2025-05-05T06:40:15Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• OrCo: Towards Better Generalization via Orthogonality and Contrast for Few-Shot Class-Incremental Learning [57.43911113915546]
  FSCIL(Few-Shot Class-Incremental Learning)は、問題空間を限られたデータで拡張するパラダイムを導入する。 FSCILの手法は、データが漸進的に到着するにつれて、破滅的な忘れ込みの課題に直面している。 表現空間における特徴の直交性と対照的な学習という2つの基本原理に基づいて構築されたOrCoフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-27T13:30:48Z)
• Adaptive End-to-End Metric Learning for Zero-Shot Cross-Domain Slot Filling [2.6056468338837457]
  スロットフィリングは、トレーニング中にサンプルを見ることのない新しいドメインを扱う上で重要な課題である。 ほとんどの先行研究は、メートル法学習に基づく2パスパイプライン方式でこの問題に対処している。 そこで本研究では,ゼロショットスロットの補充に挑戦する手法として,適応的なエンドツーエンドの計量学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-23T19:01:16Z)
• Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference [23.8192952068949]
  S-temporal data(CSST)のための新しいコントラスト型自己学習フレームワークを提案する。 提案手法は,POI(Points of Interest)とその距離に基づく空間隣接グラフの構築から始める。 我々は、類似した事例から対象部分グラフの表現を予測するために、スワップした予測手法を採用する。 実世界の2つのデータセットで実施した実験では、広範囲のノイズデータに基づいて事前トレーニングされたCSSTが、ゼロからトレーニングされたモデルより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2023-09-06T02:51:24Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
  本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。 HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。 提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
  論文  参考訳（メタデータ） (2020-03-07T10:06:47Z)

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。