論文の概要: Target Parameterization in Diffusion Models for Nonlinear Spatiotemporal System Identification

• arxiv url: http://arxiv.org/abs/2604.17566v1
• Date: Sun, 19 Apr 2026 18:11:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.58499
• Title: Target Parameterization in Diffusion Models for Nonlinear Spatiotemporal System Identification
• Title（参考訳）: 非線形時空間同定のための拡散モデルにおけるターゲットパラメータ化
• Authors: Achraf El Messaoudi, Noureddine Khaous, Karim Cherifi,
• Abstract要約: 拡散に基づくモデルでは、最近乱流状態の堅牢性が改善されている。 物理的フィールド上で直接動作する自己完結型パッチベースのトランスフォーマについて検討する。 その結果, クリーンステート予測はロールアウト安定性を向上し, 長期誤差を低減できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning is becoming increasingly important for nonlinear system identification, including dynamical systems with spatially distributed outputs. However, classical identification and forecasting approaches become markedly less reliable in turbulent-flow regimes, where the dynamics are high-dimensional, strongly nonlinear, and highly sensitive to compounding rollout errors. Diffusion-based models have recently shown improved robustness in this setting and offer probabilistic inference capabilities, but many current implementations inherit target parameterizations from image generation, most commonly noise or velocity prediction. In this work, we revisit this design choice in the context of nonlinear spatiotemporal system identification. We consider a simple, self-contained patch-based transformer that operates directly on physical fields and use turbulent flow simulation as a representative testbed. Our results show that clean-state prediction consistently improves rollout stability and reduces long-horizon error relative to velocity- and noise-based objectives, with the advantage becoming more pronounced as the per-token dimensionality increases. These findings identify target parameterization as a key modeling choice in diffusion-based identification of nonlinear systems with spatial outputs in turbulent regimes.
• Abstract（参考訳）: 機械学習は、空間的に分散された出力を持つ動的システムを含む非線形システム識別において、ますます重要になりつつある。 しかし、古典的な識別と予測のアプローチは、高次元、強い非線形、ロールアウトエラーの複合に非常に敏感な、乱流状態において顕著に信頼性が低下する。 拡散モデルは最近、この設定におけるロバスト性の改善を示し、確率的推論機能を提供するが、現在の多くの実装は、画像生成、最も一般的なノイズまたは速度予測からターゲットパラメータ化を継承している。 本研究では,非線形時空間システム同定の文脈において,この設計選択を再考する。 物理的場を直接操作し,乱流シミュレーションを代表的テストベッドとして利用する,単純で自己完結型パッチベースの変圧器について検討する。 その結果, クリーンステート予測はロールアウト安定性を常に向上し, 速度および騒音に基づく目標に対して長い水平誤差を低減し, その利点は, トーケン次元の増大とともにより顕著になることがわかった。 これらの結果から, 乱流状態における非線形系と空間出力の拡散に基づく同定において, ターゲットパラメータ化が重要なモデル選択であることが明らかとなった。

関連論文リスト

• Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems [1.9800280967139285]
  カオス・高次元非線形力学系の高忠実度数値シミュレーションは計算コストが高い。 このような系のほとんどの代理モデルは決定論的であり、例えば、ニューラル作用素が関与する場合である。 この研究は、生成機械学習を利用した代理モデリングの定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-13T04:11:37Z)
• 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)
• Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
  時系列生成には、フローマッチング(FM)がますます使われている。 一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。 インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
  論文  参考訳（メタデータ） (2026-02-09T06:48:45Z)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• Predicting partially observable dynamical systems via diffusion models with a multiscale inference scheme [43.7203026580194]
  本稿では、部分的に観測可能な長期記憶力学系の確率論的予測に取り組む。 自動回帰ロールアウトのような標準的な推論スキームは、データ内の長距離依存関係をキャプチャできないことを示す。 提案手法は,現在付近で時間的に微細な軌跡と,遠くに移動するときに粗い軌跡を生成する。
  論文  参考訳（メタデータ） (2025-11-24T18:30:04Z)
• Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification [6.5745172279769255]
  本稿では,潜在状態と内部スケジューリング変数を同時に学習するニューラルネットワークに基づく状態空間モデルを提案する。 状態遷移行列はシュールのパラメータ化によって安定であることが保証される。 提案するNN-SSは, ベンチマーク非線形システム上で評価され, モデルが古典的部分空間同定手法と一貫して一致するか, 上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-21T10:25:54Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• UP-dROM : Uncertainty-Aware and Parametrised dynamic Reduced-Order Model, application to unsteady flows [27.50487430169627]
  還元次数モデル(ROM)は、低コストな予測を提供することによって流体力学において重要な役割を果たす。 ROMが広く適用されるためには、異なる体制にまたがってうまく一般化するだけでなく、その予測に対する信頼度も測らなければならない。 過渡流に特化して設計された非線形還元戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-29T22:17:36Z)
• Robust identification of non-autonomous dynamical systems using stochastic dynamics models [0.0]
  本稿では, 非線形・非線形非自律系における雑音・スパースデータからのシステム識別(ID)の問題について考察する。 隠れマルコフモデル学習のためのベイズ式から導かれる目的関数を提案し,解析する。 提案手法は,システムIDに適合するスムーズさと本質的な正規化を改善したことを示す。
  論文  参考訳（メタデータ） (2022-12-20T16:36:23Z)
• Coarse-Grained Nonlinear System Identification [0.0]
  本稿では,ボルテラ級数展開に基づく非線形系力学の効率的で普遍的なパラメータ化である粗粒度ダイナミクスを紹介する。 簡単な合成問題に対して,本手法の特性を実証する。 また, 実験データの1秒未満で, タングステンフィラメントのダイナミックスに対して, 非線形電圧の正確なモデルを特定することを実証した。
  論文  参考訳（メタデータ） (2020-10-14T06:45:51Z)
• Bayesian differential programming for robust systems identification under uncertainty [14.169588600819546]
  本稿では,非線形力学系のノイズ,スパース,不規則な観測からベイズ系を同定する機械学習フレームワークを提案する。 提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。 スパーシティプロモーティングプリエントを用いることで、下層の潜在力学に対する解釈可能かつ同義的な表現の発見が可能になる。
  論文  参考訳（メタデータ） (2020-04-15T00:51:14Z)

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。