論文の概要: Latent Autoencoder Ensemble Kalman Filter for Data assimilation

• arxiv url: http://arxiv.org/abs/2603.06752v1
• Date: Fri, 06 Mar 2026 12:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.082973
• Title: Latent Autoencoder Ensemble Kalman Filter for Data assimilation
• Title（参考訳）: データ同化のための潜在自己エンコーダアンサンブルカルマンフィルタ
• Authors: Xin T. Tong, Yanyan Wang, Liang Yan,
• Abstract要約: 線形および安定な動的学習空間における同化問題に対処する潜在自己エンコーダアンサンブルカルマンフィルタ(LAE-EnKF)を提案する。 提案手法は,非線形エンコーダデコーダと安定な線形潜在進化演算子と一貫した潜在観測写像を併用して学習し,潜在座標における閉線形状態空間モデルを生成する。 制約のない非線形潜在力学に依存する既存の自己エンコーダベースおよび潜在同化アプローチと比較して、提案された定式化は構造的整合性、安定性、解釈可能性を強調する。
• 参考スコア（独自算出の注目度）: 11.379736533005532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ensemble Kalman filter (EnKF) is widely used for data assimilation in high-dimensional systems, but its performance often deteriorates for strongly nonlinear dynamics due to the structural mismatch between the Kalman update and the underlying system behavior. In this work, we propose a latent autoencoder ensemble Kalman filter (LAE-EnKF) that addresses this limitation by reformulating the assimilation problem in a learned latent space with linear and stable dynamics. The proposed method learns a nonlinear encoder--decoder together with a stable linear latent evolution operator and a consistent latent observation mapping, yielding a closed linear state-space model in the latent coordinates. This construction restores compatibility with the Kalman filtering framework and allows both forecast and analysis steps to be carried out entirely in the latent space. Compared with existing autoencoder-based and latent assimilation approaches that rely on unconstrained nonlinear latent dynamics, the proposed formulation emphasizes structural consistency, stability, and interpretability. We provide a theoretical analysis of learning linear dynamics on low-dimensional manifolds and establish generalization error bounds for the proposed latent model. Numerical experiments on representative nonlinear and chaotic systems demonstrate that the LAE-EnKF yields more accurate and stable assimilation than the standard EnKF and related latent-space methods, while maintaining comparable computational cost and data-driven.
• Abstract（参考訳）: アンサンブルカルマンフィルタ(EnKF)は高次元システムにおけるデータ同化に広く用いられているが、カルマン更新と基礎となるシステム動作の間の構造的ミスマッチにより、その性能は強い非線形ダイナミクスのために劣化することが多い。 本研究では,線形および安定な力学を持つ学習潜在空間における同化問題を修正し,この制限に対処する潜在自己エンコーダアンサンブルカルマンフィルタ(LAE-EnKF)を提案する。 提案手法は,非線形エンコーダデコーダと安定な線形潜在進化演算子と一貫した潜在観測写像を併用して学習し,潜在座標における閉線形状態空間モデルを生成する。 この構造はカルマンフィルタフレームワークとの互換性を回復し、予測と解析の両方のステップを潜在空間で完全に実行できるようにする。 制約のない非線形潜在力学に依存する既存の自己エンコーダベースおよび潜在同化アプローチと比較して、提案された定式化は構造的整合性、安定性、解釈可能性を強調する。 我々は、低次元多様体上の線形力学の学習の理論解析を行い、提案した潜在モデルに対する一般化誤差境界を確立する。 代表的な非線形およびカオス系の数値実験により、LAE-EnKFは標準のEnKFと関連する潜在空間法よりも正確で安定した同化をもたらすが、計算コストとデータ駆動性は同等である。

関連論文リスト

• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Stability analysis of chaotic systems in latent spaces [4.266376725904727]
  潜在空間アプローチはカオス偏微分方程式の解を推測できることを示す。 また、物理系の安定性を予測できる。
  論文  参考訳（メタデータ） (2024-10-01T08:09:14Z)
• 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)
• System Identification for Continuous-time Linear Dynamical Systems [0.7510165488300368]
  潜在線形力学系の連続時間への学習の一般化は、ハイブリッドカルマンフィルタの使用を拡大する可能性がある。 トグルスイッチ型遺伝回路を表す潜伏多変量Fokker-Planck SDEのパラメータを学習し,本手法を適用した。
  論文  参考訳（メタデータ） (2023-08-23T05:53:13Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Stochastic Nonlinear Control via Finite-dimensional Spectral Dynamic Embedding [20.43835169613882]
  本稿では,非線形系の最適制御のためのスペクトルダイナミクス埋め込み制御(SDEC)を提案する。 これはシステムの非線形力学によって誘導される無限次元の特徴表現を明らかにし、状態-作用値関数の線形表現を可能にする。 実用的な実装では、この表現は有限次元のトランケーションを用いて近似される。
  論文  参考訳（メタデータ） (2023-04-08T04:23:46Z)
• $Φ$-DVAE: Physics-Informed Dynamical Variational Autoencoders for Unstructured Data Assimilation [3.2873782624127843]
  物理インフォームドな動的変分オートエンコーダ(Phi$-DVAE)を開発し、様々なデータストリームを時間進化物理系に埋め込む。 我々の手法は、非構造化データを潜在力学系に同化するために、潜在状態空間モデルのための標準的な非線形フィルタとVOEを組み合わせたものである。 変分ベイズフレームワークは、符号化、潜時状態、未知のシステムパラメータの合同推定に使用される。
  論文  参考訳（メタデータ） (2022-09-30T17:34:48Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)

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。