論文の概要: GLU: Global-Local-Uncertainty Fusion for Scalable Spatiotemporal Reconstruction and Forecasting

• arxiv url: http://arxiv.org/abs/2603.26023v1
• Date: Fri, 27 Mar 2026 02:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.332089
• Title: GLU: Global-Local-Uncertainty Fusion for Scalable Spatiotemporal Reconstruction and Forecasting
• Title（参考訳）: 広汎な時空間再構成と予測のためのグローバルローカル不確かさ融合
• Authors: Linzheng Wang, Jason Chen, Nicolas Tricard, Zituo Chen, Sili Deng,
• Abstract要約: GLU(Global-Local-Uncertainty framework)について述べる。 再構成では、GLUは重要適応型地区選択を用いて、局所的な関連情報を検索する。 予測では、階層的なLeader-Follower Dynamicsモジュールが遅延状態を進化させ、メモリ増加を大幅に減少させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital twins of complex physical systems are expected to infer unobserved states from sparse measurements and predict their evolution in time, yet these two functions are typically treated as separate tasks. Here we present GLU, a Global-Local-Uncertainty framework that formulates sparse reconstruction and dynamic forecasting as a unified state-representation problem and introduces a structured latent assembly to both tasks. The central idea is to build a structured latent state that combines a global summary of system-level organization, local tokens anchored to available measurements, and an uncertainty-driven importance field that weights observations according to the physical informativeness. For reconstruction, GLU uses importance-aware adaptive neighborhood selection to retrieve locally relevant information while preserving global consistency and allowing flexible query resolution on arbitrary geometries. Across a suite of challenging benchmarks, GLU consistently improves reconstruction fidelity over reduced-order, convolutional, neural operator, and attention-based baselines, better preserving multi-scale structures. For forecasting, a hierarchical Leader-Follower Dynamics module evolves the latent state with substantially reduced memory growth, maintains stable rollout behavior and delays error accumulation in nonlinear dynamics. On a realistic turbulent combustion dataset, it further preserves not only sharp fronts and broadband structures in multiple physical fields, but also their cross-channel thermo-chemical couplings. Scalability tests show that these gains are achieved with substantially lower memory growth than comparable attention-based baselines. Together, these results establish GLU as a flexible and computationally practical paradigm for sparse digital twins.
• Abstract（参考訳）: 複雑な物理系のデジタル双対は、希薄な測定から観測されていない状態を推測し、時間とともにその進化を予測することが期待されているが、これらの2つの機能は典型的には別のタスクとして扱われる。 GLUは,スパース再構築と動的予測を統一状態表現問題として定式化するグローバルローカル不確実性フレームワークであり,両タスクに構造化潜在アセンブリを導入する。 中心となる考え方は、システムレベルの組織、利用可能な測定値に固定されたローカルトークン、および物理的情報性に応じて観測を重み付けする不確実性駆動の重要分野をグローバルに要約した構造化された潜在状態を構築することである。 再構成において、GLUは、グローバルな一貫性を維持しつつ、任意のジオメトリに対して柔軟なクエリ解決を可能にするとともに、局所的な関連情報を取得するために、重要適応型近傍選択を使用する。 一連の挑戦的なベンチマークの中で、GLUは、順序の縮小、畳み込み、ニューラル演算子、アテンションベースのベースラインよりも、リコンストラクションの忠実度を一貫して改善し、マルチスケール構造をより保存する。 予測のために、階層的なLeader-Follower Dynamicsモジュールは、メモリ成長を著しく減少させ、安定したロールアウト挙動を維持し、非線形ダイナミクスにおけるエラーの蓄積を遅らせる。 現実的な乱流燃焼データセットでは、複数の物理的分野におけるシャープフロントとブロードバンド構造だけでなく、チャネル間熱化学結合も保存する。 スケーラビリティテストは、これらのゲインが、同等の注意ベースのベースラインよりも大幅に低いメモリ成長で達成されていることを示している。 これらの結果により、GLUはスパースデジタルツインのフレキシブルで実用的なパラダイムとして確立される。

関連論文リスト

• ReconMIL: Synergizing Latent Space Reconstruction with Bi-Stream Mamba for Whole Slide Image Analysis [29.765137795042804]
  全スライド画像(WSI)解析は、MIL(Multiple Case Learning)に大きく依存している。 このドメインギャップを埋め、グローバルな機能アグリゲーションのバランスをとるために設計された新しいフレームワークであるReconMILを紹介します。 提案手法では,ジェネリックな特徴をコンパクトなタスク固有多様体に適応的に射影するラテント空間再構成モジュールを提案する。
  論文  参考訳（メタデータ） (2026-03-20T13:09:54Z)
• CO-EVOLVE: Bidirectional Co-Evolution of Graph Structure and Semantics for Heterophilous Learning [2.5456314910104836]
  CO-EVOLVEは、グラフトポロジとセマンティック埋め込みを動的で相互に強化された潜伏変数として扱う、デュアルビューの共進化フレームワークである。 公開ベンチマークの実験では、CO-EVOLVEは最先端のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2026-03-20T03:15:17Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Rethinking Federated Graph Foundation Models: A Graph-Language Alignment-based Approach [8.517604507672262]
  フェデレーショングラフ基礎モデル(FedGFMs)の最近の研究は、グラフ基礎モデルを訓練するために集中的なデータストレージを持つという理想的かつ持続不可能な仮定を破っている。 ベクトル量子化されたバックボーンを経由した離散トークン空間上の一般化可能な知識が、量子化過程中に不可逆的な知識損失に悩まされるという研究は、現存する。
  論文  参考訳（メタデータ） (2026-01-29T07:50:00Z)
• Deep Global Clustering for Hyperspectral Image Segmentation: Concepts, Applications, and Open Challenges [1.9116784879310027]
  ハイパースペクトルイメージング(HSI)解析は、利用可能なメモリを超える大量のデータ量のために計算ボトルネックに直面している。 本稿では,メモリ効率の高いHSIセグメンテーションの概念フレームワークであるDeep Global Clustering (DGC)について述べる。 DGCは、重複するリージョンを持つ小さなパッチを使用して一貫性を強制し、コンシューマハードウェア上で30分未満のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-12-30T12:10:43Z)
• Parallel BiLSTM-Transformer networks for forecasting chaotic dynamics [24.960864709838436]
  本研究では,Transformer と Bidirectional Long Short-Term Memory Network を統合した並列予測フレームワークを提案する。 提案したハイブリッドモデルはデュアルブランチアーキテクチャを採用しており、Transformerブランチは主に長距離依存関係をキャプチャする。 結果は、提案されたハイブリッドフレームワークがタスク間でシングルブランチアーキテクチャの両方より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2025-10-27T16:17:10Z)
• Glocal Information Bottleneck for Time Series Imputation [70.41814118117311]
  Time Series Imputationは、時間データの欠落した値を復元することを目的としている。 既存のモデルは、通常、数値(ローカル情報)の回復に焦点をあてて、ポイントワイズ復元損失を最適化する。 我々はGlocal Information Bottleneck(Glocal-IB)という新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:24:44Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• Benchmarking LLMs' Swarm intelligence [51.648605206159125]
  大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。 分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。 本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
  論文  参考訳（メタデータ） (2025-05-07T12:32:01Z)

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。