論文の概要: A Score Filter Enhanced Data Assimilation Framework for Data-Driven Dynamical Systems

• arxiv url: http://arxiv.org/abs/2603.14863v1
• Date: Mon, 16 Mar 2026 06:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.087753
• Title: A Score Filter Enhanced Data Assimilation Framework for Data-Driven Dynamical Systems
• Title（参考訳）: データ駆動型動的システムのためのスコアフィルタ強化データ同化フレームワーク
• Authors: Jingqiao Tang, Ryan Bausback, Feng Bao, Guannan Zhang, Phuoc-Toan Huynh,
• Abstract要約: データ駆動力学系予測のための機械学習(ML)モデルにおける予測不確実性を低減するために,スコアフィルタ付きデータ同化フレームワークを導入する。 高次元非線形複素系におけるデータ同化問題の解法として,AIに基づく学習自由拡散モデルであるEnsemble Score Filter (EnSF)を適用した。 本稿では,EnSFにより強化されたMLが,MLベースのLorenz-96システム予測とKdV方程式予測において,予測の不確実性を効果的に低減できることを実証する。
• 参考スコア（独自算出の注目度）: 6.221775607870253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a score-filter-enhanced data assimilation framework designed to reduce predictive uncertainty in machine learning (ML) models for data-driven dynamical system forecasting. Machine learning serves as an efficient numerical model for predicting dynamical systems. However, even with sufficient data, model uncertainty remains and accumulates over time, causing the long-term performance of ML models to deteriorate. To overcome this difficulty, we integrate data assimilation techniques into the training process to iteratively refine the model predictions by incorporating observational information. Specifically, we apply the Ensemble Score Filter (EnSF), a generative AI-based training-free diffusion model approach, for solving the data assimilation problem in high-dimensional nonlinear complex systems. This leads to a hybrid data assimilation-training framework that combines ML with EnSF to improve long-term predictive performance. We shall demonstrate that EnSF-enhanced ML can effectively reduce predictive uncertainty in ML-based Lorenz-96 system prediction and the Korteweg-De Vries (KdV) equation prediction.
• Abstract（参考訳）: データ駆動力学系予測のための機械学習(ML)モデルにおける予測不確実性を低減するために,スコアフィルタ付きデータ同化フレームワークを提案する。 機械学習は、動的システムを予測するための効率的な数値モデルとして機能する。 しかし、十分なデータであっても、モデルの不確実性は継続し、時間の経過とともに蓄積されるため、MLモデルの長期的なパフォーマンスは悪化する。 この難しさを克服するため、我々はデータ同化手法をトレーニングプロセスに統合し、観測情報を組み込んでモデル予測を反復的に洗練する。 具体的には、高次元非線形複素系におけるデータ同化問題の解法として、生成AIに基づくトレーニングフリー拡散モデルアプローチであるEnsemble Score Filter (EnSF)を適用する。 これにより、MLとEnSFを組み合わせて長期予測性能を改善するハイブリッドデータ同化トレーニングフレームワークが実現される。 本稿では,EnSFにより強化されたMLが,MLベースのLorenz-96システム予測とKdV方程式予測において,予測の不確実性を効果的に低減できることを実証する。

関連論文リスト

• Heterogeneous Self-Supervised Acoustic Pre-Training with Local Constraints [64.15709757611369]
  異種データを扱うための自己教師付き事前学習手法を提案する。 提案手法は、下流の教師付き微調整タスクに対する自己教師付き事前訓練モデルの適応性を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2025-08-27T15:48:50Z)
• Enhanced accuracy through ensembling of randomly initialized auto-regressive models for time-dependent PDEs [0.0]
  機械学習モデルによる自己回帰推論は、連続した予測よりもエラーの蓄積に悩まされ、長期的な精度が制限される。 この課題に対処するために,複数のMLサロゲートモデルを並列にトレーニングし,推論中に集約するディープアンサンブルフレームワークを提案する。 我々はPDEを駆動する3つの力学系 - 不均一なミクロ組織における応力の進化、グレイ・スコット反応拡散、惑星規模の浅層水系 - の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-07-05T02:25:12Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Topological Approach for Data Assimilation [0.4972323953932129]
  トポロジカルデータ解析の基礎となる新しいデータ同化アルゴリズムを提案する。 パーシステンス関数の微分可能性を活用することにより、勾配勾配最適化は、測定と予測予測の間の位相的差を最小限に抑えるために用いられる。
  論文  参考訳（メタデータ） (2024-11-12T20:24:46Z)
• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Machine Learning Data Suitability and Performance Testing Using Fault Injection Testing Framework [0.0]
  本稿では,入力データ(FIUL-Data)テストフレームワークにおける望ましくない学習のためのフォールトインジェクションを提案する。 データミュータは、さまざまな障害注入の影響に対して、MLシステムの脆弱性を探索する。 本稿では, アンチセンスオリゴヌクレオチドの保持時間測定を含む分析化学データを用いて, フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-09-20T12:58:35Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。