論文の概要: KROM: Kernelized Reduced Order Modeling

• arxiv url: http://arxiv.org/abs/2603.00360v1
• Date: Fri, 27 Feb 2026 22:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.156362
• Title: KROM: Kernelized Reduced Order Modeling
• Title（参考訳）: KROM:カーネル化還元次数モデリング
• Authors: Aras Bacho, Jonghyeon Lee, Houman Owhadi,
• Abstract要約: KROMは、RKHSにおける最小ノルム(ガウス過程)回復問題としてPDE解を定式化する。 中心成分は、PDEソリューションのスナップショットライブラリから構築された経験的カーネルである。
• 参考スコア（独自算出の注目度）: 3.988493458010939
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose KROM, a kernel-based reduced-order framework for fast solution of nonlinear partial differential equations. KROM formulates PDE solution as a minimum-norm (Gaussian-process) recovery problem in an RKHS, and accelerates the resulting kernel solves by sparsifying the precision matrix via sparse Cholesky factorization. A central ingredient is an empirical kernel constructed from a snapshot library of PDE solutions (generated under varying forcings, initial data, boundary data, or parameters). This snapshot-driven kernel adapts to problem-specific structure -- boundary behavior, oscillations, nonsmooth features, linear constraints, conservation and dissipation laws -- thereby reducing the dependence on hand-tuned stationary kernels. The resulting method yields an implicit reduced model: after sparsification, only a localized subset of effective degrees of freedom is used online. We report numerical results for semilinear elliptic equations, discontinuous-coefficient Darcy flow, viscous Burgers, Allen--Cahn, and two-dimensional Navier--Stokes, showing that empirical kernels can match or outperform Matérn baselines, especially in nonsmooth regimes. We also provide error bounds that separate discretization effects, snapshot-space approximation error, and sparse-Cholesky approximation error.
• Abstract（参考訳）: 非線形偏微分方程式の高速解のためのカーネルベースの低次フレームワークであるKROMを提案する。 KROMは、PDE解をRKHSにおける最小ノルム(ガウス過程)回復問題として定式化し、スパースチョレスキー分解による精度行列のスパース化により、結果のカーネルを高速化する。 中心成分は、PDEソリューションのスナップショットライブラリ(様々な強制、初期データ、境界データ、パラメータで生成される)から構築された経験的カーネルである。 このスナップショット駆動カーネルは、境界挙動、振動、非滑らかな特徴、線形制約、保存および消散法則といった問題固有の構造に適応し、手動の定常カーネルへの依存を減らす。 スパシフィケーション後、有効な自由度の局所化されたサブセットのみがオンラインで使用される。 本研究では, 半線形楕円型方程式, 不連続係数ダーシー流, 粘性バーガース, アレン-カーン, 二次元ナビエ-ストークスの数値計算結果を報告する。 また、離散化効果、スナップショット空間近似誤差、スパース・コールスキー近似誤差を分離する誤差境界も提供する。

関連論文リスト

• Graph-based Clustering Revisited: A Relaxation of Kernel $k$-Means Perspective [73.18641268511318]
  本稿では,クラスタリング結果を導出するための正規制約のみを緩和するグラフベースのクラスタリングアルゴリズムを提案する。 二重制約を勾配に変換するために、非負の制約をクラス確率パラメータに変換する。
  論文  参考訳（メタデータ） (2025-09-23T09:14:39Z)
• Nonparametric learning of stochastic differential equations from sparse and noisy data [2.389598109913754]
  強い構造仮定なしでデータから直接ドリフト関数を学習する。 我々は,新しいモンテカルロ法(SMC)を用いた期待最大化法(EM)アルゴリズムを開発した。 EM-SMC-RKHS法により、低データ状態における力学系のドリフト関数を正確に推定できる。
  論文  参考訳（メタデータ） (2025-08-15T17:01:59Z)
• Inertial Quadratic Majorization Minimization with Application to Kernel Regularized Learning [1.0282274843007797]
  外部補間(QMME)フレームワークを導入し,その逐次収束特性を確立する。 実効性を示すために,大規模カーネル正規化学習問題にQMMEを適用した。
  論文  参考訳（メタデータ） (2025-07-06T05:17:28Z)
• Generalization Bound of Gradient Flow through Training Trajectory and Data-dependent Kernel [55.82768375605861]
  我々は、カーネル法における古典的ラデマッハ複雑性と整合する勾配流の一般化を確立する。 NTKのような静的カーネルとは異なり、LPKはトレーニング軌跡全体をキャプチャし、データと最適化の両方に適応する。
  論文  参考訳（メタデータ） (2025-06-12T23:17:09Z)
• Toward Efficient Kernel-Based Solvers for Nonlinear PDEs [19.975293084297014]
  非線形偏微分方程式(PDE)を効率的に解くための新しいカーネル学習フレームワークを提案する。 カーネルに微分演算子を埋め込む最先端のカーネルソルバとは対照的に,本手法ではこれらの演算子をカーネルから排除する。 我々は、標準カーネル形式を用いて解をモデル化し、導関数を計算するために補間剤を区別する。
  論文  参考訳（メタデータ） (2024-10-15T01:00:43Z)
• Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs [19.1312659245072]
  我々は,データ駆動型離散化不変フレームワークであるGIOROMについて,低次モデリング(ROM)によるラグランジアンシミュレーションを高速化する。 我々は、PDEソリューション演算子のデータ駆動グラフに基づくニューラル近似を利用する。 GIOROMは6.6$times$-32$times$の入力次元の縮小を実現し、多様なラグランジアン体制における高忠実度再構成を維持している。
  論文  参考訳（メタデータ） (2024-07-04T13:37:26Z)
• Constrained Optimization via Exact Augmented Lagrangian and Randomized Iterative Sketching [55.28394191394675]
  等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。 ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-28T06:33:37Z)
• Sparse Cholesky Factorization for Solving Nonlinear PDEs via Gaussian Processes [3.750429354590631]
  本稿では、高密度カーネル行列に対するスパースColesky分解アルゴリズムを提案する。 我々は, 幅広い非線形PDEのクラスに対して, アルゴリズムのニア線形空間/時間複雑性を数値的に説明する。
  論文  参考訳（メタデータ） (2023-04-03T18:35:28Z)
• Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
  カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。 我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
  論文  参考訳（メタデータ） (2021-09-24T14:48:20Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
  カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである 本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。 合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-03-29T22:37:06Z)
• A Bregman Method for Structure Learning on Sparse Directed Acyclic Graphs [84.7328507118758]
  構造学習のためのBregman近位勾配法を開発した。 高い非線形反復に対する曲率の影響を計測する。 様々な合成および実集合上で本手法をテストする。
  論文  参考訳（メタデータ） (2020-11-05T11:37:44Z)

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。