論文の概要: Toward Adaptive Non-Intrusive Reduced-Order Models: Design and Challenges

• arxiv url: http://arxiv.org/abs/2602.11378v1
• Date: Wed, 11 Feb 2026 21:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.544586
• Title: Toward Adaptive Non-Intrusive Reduced-Order Models: Design and Challenges
• Title（参考訳）: 適応的非侵入還元次数モデルに向けて:設計と課題
• Authors: Amirpasha Hedayat, Alberto Padovan, Karthik Duraisamy,
• Abstract要約: 我々は、潜在部分空間と縮小されたダイナミクスの両方をオンラインに更新する適応的非侵入性ROMについて研究する。 ROMの予測的クレームは、トレーニング/適応/デプロイ体制の明確な分離を伴って、コストを意識し、透明でなければならない、と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.509780930114934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Projection-based Reduced Order Models (ROMs) are often deployed as static surrogates, which limits their practical utility once a system leaves the training manifold. We formalize and study adaptive non-intrusive ROMs that update both the latent subspace and the reduced dynamics online. Building on ideas from static non-intrusive ROMs, specifically, Operator Inference (OpInf) and the recently-introduced Non-intrusive Trajectory-based optimization of Reduced-Order Models (NiTROM), we propose three formulations: Adaptive OpInf (sequential basis/operator refits), Adaptive NiTROM (joint Riemannian optimization of encoder/decoder and polynomial dynamics), and a hybrid that initializes NiTROM with an OpInf update. We describe the online data window, adaptation window, and computational budget, and analyze cost scaling. On a transiently perturbed lid-driven cavity flow, static Galerkin/OpInf/NiTROM drift or destabilize when forecasting beyond training. In contrast, Adaptive OpInf robustly suppresses amplitude drift with modest cost; Adaptive NiTROM is shown to attain near-exact energy tracking under frequent updates but is sensitive to its initialization and optimization depth; the hybrid is most reliable under regime changes and minimal offline data, yielding physically coherent fields and bounded energy. We argue that predictive claims for ROMs must be cost-aware and transparent, with clear separation of training/adaptation/deployment regimes and explicit reporting of online budgets and full-order model queries. This work provides a practical template for building self-correcting, non-intrusive ROMs that remain effective as the dynamics evolve well beyond the initial manifold.
• Abstract（参考訳）: プロジェクションベースのリダクションオーダーモデル(ROM)は、しばしば静的サロゲートとしてデプロイされる。 オンラインの潜在部分空間と縮小されたダイナミクスの両方を更新する適応的非侵入性ROMを形式化し研究する。 静的な非侵入的ROM(特に演算子推論(OpInf)と最近導入された非侵入的トラジェクトリに基づく還元次数モデル(NiTROM)の最適化(Adaptive OpInf)、適応的NiTROM(Encoder/decoderおよび多項式力学のリーマン最適化)、およびOpInf更新でNiTROMを初期化するハイブリッドの3つの定式化を提案する。 オンラインデータウインドウ、適応ウインドウ、計算予算について記述し、コストスケーリングを分析する。 過渡摂動型蓋駆動キャビティフローでは、トレーニングを超えて予測する場合、静的なガレルキン/OpInf/NiTROMドリフトまたは不安定化を行う。 これとは対照的に、Adaptive OpInfは振幅のドリフトを適度なコストで頑健に抑制する;Adaptive NiTROMは頻繁な更新の下でほぼ正確なエネルギー追跡を達成するが、初期化と最適化の深さに敏感である;ハイブリッドは、状態変化と最小限のオフラインデータの下で最も信頼性が高く、物理的に一貫性のあるフィールドと有界エネルギーが得られる。 ROMの予測的クレームは、トレーニング/適応/デプロイ体制の明確な分離と、オンライン予算とフルオーダーモデルクエリの明示的な報告によって、コストを意識し、透明でなければならない、と我々は主張する。 この研究は、力学が初期多様体をはるかに超えて進化するにつれて有効である自己修正的で非侵入的なROMを構築するための実用的なテンプレートを提供する。

関連論文リスト

• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Latent Generative Solvers for Generalizable Long-Term Physics Simulation [12.894423121609526]
  Latent Generative Solvers (LGS) は、様々なPDE状態を事前訓練されたVAEで共有された潜在物理空間にマッピングするフレームワークである。 我々の重要なメカニズムは、トレーニングと推論中に潜伏入力を摂動する不確実性ノブであり、解法にオフマニフォールドロールアウトドリフトを補正するように教える。 LGSは短地平線上での強力な決定論的ニューラルネットワークベースラインと一致し、長い地平線上でのロールアウトドリフトを大幅に低減する。
  論文  参考訳（メタデータ） (2026-02-11T15:34:52Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
  ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。 本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
  論文  参考訳（メタデータ） (2025-06-01T20:32:27Z)
• FDA-Opt: Communication-Efficient Federated Fine-Tuning of Language Models [1.7284879441063365]
  FDA-Optは、現代のFederated LearningライブラリやシステムにおけるFedOptの代替品だ。 FDA-Optは、現代のFLライブラリーやシステムにおけるFedOptの代替として実用的で、ドロップインの代替であることを示す。
  論文  参考訳（メタデータ） (2025-05-07T16:13:21Z)
• UP-dROM : Uncertainty-Aware and Parametrised dynamic Reduced-Order Model, application to unsteady flows [27.50487430169627]
  還元次数モデル(ROM)は、低コストな予測を提供することによって流体力学において重要な役割を果たす。 ROMが広く適用されるためには、異なる体制にまたがってうまく一般化するだけでなく、その予測に対する信頼度も測らなければならない。 過渡流に特化して設計された非線形還元戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-29T22:17:36Z)
• Dynamic Rewarding with Prompt Optimization Enables Tuning-free Self-Alignment of Language Models [54.381650481255235]
  我々は,Prompt Optimization (O) を用いた動的リワードによる自己アライメントのための新しいチューニング不要アプローチを提案する。 提案手法は,LLMを反復的に自己改善し,最適アライメント命令を作成可能な検索ベース最適化フレームワークを活用する。 近年の8つのLCMのオープンおよびクローズドソースに関する実証評価により,DRPOはアライメント性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-11-13T16:15:38Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Reinforcement learning for anisotropic p-adaptation and error estimation in high-order solvers [0.37109226820205005]
  強化学習(RL)を用いた高次h/pにおける異方性p適応の自動化と最適化のための新しい手法を提案する。 我々は,シミュレーションを行う際の最小限のオーバーコストを示す,主解法から切り離されたオフライントレーニング手法を開発した。 我々は、局所的な離散化誤差の定量化を可能にする、安価なRLベースの誤差推定手法を導出する。
  論文  参考訳（メタデータ） (2024-07-26T17:55:23Z)
• On PI Controllers for Updating Lagrange Multipliers in Constrained Optimization [16.40968330148623]
  本稿では、$nu$PIアルゴリズムを提案し、PIコントローラに基づくラグランジュ乗算器更新の最適化に寄与する。 本研究では,勾配降下勾配の欠点に対処する運動量法が不可能であることを示す理論的,実証的な知見を提供する。 我々は、$nu$PIが単目的最小化の一般的な運動量法を一般化することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T00:13:31Z)
• 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)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)

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。