論文の概要: LGFNet: Local-Global Fusion Network with Fidelity Gap Delta Learning for Multi-Source Aerodynamics

• arxiv url: http://arxiv.org/abs/2603.29303v1
• Date: Tue, 31 Mar 2026 06:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.18567
• Title: LGFNet: Local-Global Fusion Network with Fidelity Gap Delta Learning for Multi-Source Aerodynamics
• Title（参考訳）: LGFNet:マルチソース空力のための忠実ギャップデルタ学習による局所グローバル核融合ネットワーク
• Authors: Qinye Zhu, Yu Xiang, Jun Zhang, Wenyong Wang,
• Abstract要約: マルチスケール特徴分解のためのローカルGlobal Fusion Network (LGFNet)。 実験により、LGFNetは様々な空力シナリオの精度と不確実性の両方で、最先端(SOTA)性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 8.176798147806648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The precise fusion of computational fluid dynamic (CFD) data, wind tunnel tests data, and flight tests data in aerodynamic area is essential for obtaining comprehensive knowledge of both localized flow structures and global aerodynamic trends across the entire flight envelope. However, existing methodologies often struggle to balance high-resolution local fidelity with wide-range global dependency, leading to either a loss of sharp discontinuities or an inability to capture long-range topological correlations. We propose Local-Global Fusion Network (LGFNet) for multi-scale feature decomposition to extract this dual-natured aerodynamic knowledge. To this end, LGFNet combines a spatial perception layer that integrates a sliding window mechanism with a relational reasoning layer based on self-attention, simultaneously reinforcing the continuity of fine-grained local features (e.g., shock waves) and capturing long-range flow information. Furthermore, the fidelity gap delta learning (FGDL) strategy is proposed to treat CFD data as a "low-frequency carrier" to explicitly approximate nonlinear discrepancies. This approach prevents unphysical smoothing while inheriting the foundational physical trends from the simulation baseline. Experiments demonstrate that LGFNet achieves state-of-the-art (SOTA) performance in both accuracy and uncertainty reduction across diverse aerodynamic scenarios.
• Abstract（参考訳）: 数値流体力学(CFD)データ,風洞試験データ,および空力領域における飛行試験データの正確な融合は,局所的な流れ構造と全飛行エンベロープ全体にわたるグローバルな空気力学の傾向の包括的知識を得るのに不可欠である。 しかし、既存の方法論は、高分解能な局所忠実度と広範囲なグローバル依存のバランスをとるのに苦労することが多く、鋭い不連続性を失うか、長距離のトポロジ的相関を捉えることができない。 マルチスケール特徴分解のためのローカル・グローバル・フュージョン・ネットワーク(LGFNet)を提案する。 この目的のためにLGFNetは、スライドウインドウ機構を自己注意に基づく関係推論層と統合し、きめ細かい局所特徴(例えば衝撃波)の連続性を強化し、長距離フロー情報をキャプチャする空間知覚層を結合する。 さらに、CFDデータを「低周波キャリア」として扱うために、FGDL(fidelity gap delta learning)戦略を提案する。 このアプローチは、シミュレーションベースラインから基礎的な物理的傾向を継承しながら、非物理的滑らか化を防止する。 実験により、LGFNetは様々な空力シナリオの精度と不確実性の両方で、最先端(SOTA)性能を達成することが示された。

関連論文リスト

• 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)
• Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
  我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。 提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。 実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
  論文  参考訳（メタデータ） (2026-01-29T15:58:07Z)
• Widening the Network Mitigates the Impact of Data Heterogeneity on FedAvg [6.185573921868495]
  フェデレートラーニング(FL)により、分散クライアントは、ローカルデータを共有せずに、協調的にモデルをトレーニングできる。 ニューラルネットワークの幅が大きくなると、データの不均一性の影響は減少し、幅が無限に近づくと最終的に消滅する。 無限幅系では、FedAvgのグローバルモデルと局所モデルの両方が線形モデルとして振る舞うことがさらに証明され、FedAvgはGD反復数と同じ数の集中学習と同じ一般化性能を達成する。
  論文  参考訳（メタデータ） (2025-08-18T02:22:55Z)
• GFocal: A Global-Focal Neural Operator for Solving PDEs on Arbitrary Geometries [5.323843026995587]
  変圧器に基づくニューラル作用素は偏微分方程式に対する有望な代理解法として現れる。 本稿では,グローバルおよびローカルな特徴学習と融合を同時に実施するGFocalを提案する。 実験の結果、GFocalは6つのベンチマークのうち5つのベンチマークで平均15.2%の上昇率で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-08-06T14:02:39Z)
• Optimal Transceiver Design in Over-the-Air Federated Distillation [34.09979141255862]
  本研究では,学習収束率と電力制約の観点から,トランシーバ設計について検討する。 そこで本研究では,空気上凝集に対する最適受信ビームベクトルの探索手法を提案する。 その結果, 提案手法は, 精度をわずかに損なうことなく, 通信の大幅な削減を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-07-21T05:37:08Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)
• Deep Learning Interfacial Momentum Closures in Coarse-Mesh CFD Two-Phase Flow Simulation Using Validation Data [5.099083753474628]
  FSM(Feature-Similarity Measurement)を開発し, 粗面CFD法により二相流のシミュレーション性能を向上させる。 FSMは界面閉鎖の選択に関係なく粗いメッシュCFDモデルの予測を大幅に改善することができる。
  論文  参考訳（メタデータ） (2020-05-07T21:25:22Z)

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。