論文の概要: FlowForge: A Staged Local Rollout Engine for Flow-Field Prediction

• arxiv url: http://arxiv.org/abs/2604.18953v1
• Date: Tue, 21 Apr 2026 01:04:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.55774
• Title: FlowForge: A Staged Local Rollout Engine for Flow-Field Prediction
• Title（参考訳）: FlowForge: フローフィールド予測のための段階的なローカルロールアウトエンジン
• Abstract要約: FlowForgeは、ローカル保存更新スケジュールをコンパイルし、共有された軽量なローカル予測器で実行することで、将来のフローフィールドを予測する。 1つのグローバルパスで次のフレームを生成する代わりに、FlowForgeは空間的サイトをステージごとに書き換える。
• 参考スコア（独自算出の注目度）: 3.4861183774528697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning surrogates for CFD flow-field prediction often rely on large, complex models, which can be slow and fragile when data are noisy or incomplete. We introduce FlowForge, a staged local rollout engine that predicts future flow fields by compiling a locality-preserving update schedule and executing it with a shared lightweight local predictor. Rather than producing the next frame in a single global pass, FlowForge rewrites spatial sites stage by stage so that each update conditions only on bounded local context exposed by earlier stages. This compile-execute design aligns inference with short-range physical dependence, keeps latency predictable, and limits error amplification from global mixing. Across PDEBench, CFDBench, and BubbleML, FlowForge matches or improves upon strong baselines in pointwise accuracy, delivers consistently better robustness to noise and missing observations, and maintains stable multi-step rollout behavior while reducing per-step latency.
• Abstract（参考訳）: CFDフローフィールド予測のためのディープラーニングサロゲートは、しばしば大きな複雑なモデルに依存し、データがノイズや不完全であるときに遅くて壊れやすい。 ローカル性を保存する更新スケジュールをコンパイルし、共有された軽量なローカル予測器で実行することで、将来のフローを予測できる、ステージドのローカルロールアウトエンジンであるFlowForgeを紹介した。 1つのグローバルパスで次のフレームを生成する代わりに、FlowForgeは空間的サイトをステージごとに書き換える。 このコンパイル実行設計は、推論を短い範囲の物理的依存と整合させ、レイテンシを予測可能とし、グローバルな混合からエラー増幅を制限する。 PDEBench、CFDBench、BubbleML全体で、FlowForgeは、ポイントワイズ精度で強力なベースラインにマッチまたは改善し、ノイズや観察の欠如に対して一貫して堅牢性を提供し、ステップ単位のレイテンシを低減しながら安定したマルチステップロールアウト動作を維持する。

関連論文リスト

• ConvergeFlow: Language Flow with Provable Convergence to Token Embeddings [12.564043065639177]
  埋め込み型フローベースLMである textbfConvergeFlow を紹介する。 適切な規則性条件下では、結果のフローがデータ予測器のエラーにもかかわらず有効なトークン埋め込みに収束することが証明される。 OpenWebTextの実験では、ConvergeFlowが既存の連続および離散拡散LMと競合するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-08-24T17:54:14Z)
• Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
  WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。 本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。 複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-07-30T11:18:18Z)
• LC-Flow: Learning Local Continuous Optical Flow and Confidence from events [5.146238489510258]
  イベントカメラは、マイクロ秒の解像度で非同期に明るさ変化をキャプチャするが、既存の光学フロー法では、この時間的連続性を利用できない。 ローカルイベントから純粋に動作する時間連続学習型光フロー推定器である textbfLC-Flow を提案する。
  論文  参考訳（メタデータ） (2026-05-23T14:42:24Z)
• ChainFlow-VLA: Causal Flow Planning with Vision-Language Models [7.814547378443577]
  現在のエンドツーエンドの自動運転システムは、時間的因果推論とグローバルな軌道整合性のミスマッチによって、基本的に制限されている。 本稿では,一貫した確率的枠組みの中で因果生成とグローバルな洗練を統一するChainFlow-VLAを提案する。 実験により、ChainFlow-VLAは曖昧で長い尾のシナリオで堅牢な計画を実現し、NAVSIM v1のリーダーボードで94.85の最先端スコアを達成した。
  論文  参考訳（メタデータ） (2026-05-22T06:17:35Z)
• FlowS: One-Step Motion Prediction via Local Transport Conditioning [3.883772843505009]
  ローカルトランスポートコンディショニングは、安全クリティカルな自律性のために一段階の生成動作予測を実践する。 FlowSは75のアンサンブルを持つ最先端のSoft mAP (0.4804)とmAP (0.4703)を単一ステップ推論で調整する。
  論文  参考訳（メタデータ） (2026-04-28T19:06:06Z)
• OFlow: Injecting Object-Aware Temporal Flow Matching for Robust Robotic Manipulation [55.56490813640669]
  VLAモデルは典型的には現在のフレームにのみ作用するが、将来の予測とオブジェクト認識推論は別々の潜在空間でしばしば学習される。 本稿では,時間的フォアシークエンスとオブジェクト認識推論を共通化することで,制約に対処するフレームワークOFlowを提案する。 提案手法は, 時間的フローマッチングを用いて将来の潜伏者を予測し, 物理的に関係のある手がかりを強調するオブジェクト認識表現に分解する。
  論文  参考訳（メタデータ） (2026-04-20T06:38:01Z)
• KoopmanFlow: Spectrally Decoupled Generative Control Policy via Koopman Structural Bias [31.486395926173838]
  Generative Control Policies(GCP)は、ロボット操作において大きな可能性を秘めているが、安定なグローバルモーションと高周波局所補正を同時にモデル化するのに苦労している。 クープマンに着想を得た構造的帰納バイアスによって導かれるパラメータ効率の良い生成ポリシーであるクープマンフローを紹介する。
  論文  参考訳（メタデータ） (2026-03-14T06:23:07Z)
• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• Towards Stable and Structured Time Series Generation with Perturbation-Aware Flow Matching [16.17115009663765]
  安定かつ構造的に一貫した時系列生成を保証するために、摂動軌道をモデル化するフレームワークである textbfPAFM を導入する。 このフレームワークは摂動誘導訓練を取り入れ、局所的な乱れをシミュレートし、二経路速度場を利用して摂動下での軌道偏差を捉える。 非条件および条件生成タスクの両方の実験において、PAFMは強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-18T13:30:56Z)
• PDE Solvers Should Be Local: Fast, Stable Rollouts with Learned Local Stencils [20.49015396991881]
  有限差分に着想を得たニューラルネットワークであるFINOは、厳密な局所性を強制する。 FINOは固定有限差分ステンシル係数を学習可能な畳み込みカーネルに置き換える。 最先端のオペレータ-ラーニングベースラインよりも最大44%低いエラー、最大2倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-09-30T12:42:32Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• STARFlow: Spatial Temporal Feature Re-embedding with Attentive Learning for Real-world Scene Flow [5.476991379461233]
  両ユークリッド空間における全点対に一致する大域的注意流埋め込みを提案する。 我々は、新しいドメイン適応損失を利用して、合成から実世界への動き推論のギャップを埋める。 提案手法は,実世界のLiDARスキャンデータセットにおいて特に顕著な結果を得て,各種データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-11T04:56:10Z)
• AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
  本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。 従来の前方累積よりも後方累積の方が優れていることを示す。 長距離光流量推定におけるAccFlowの有効性を検証する実験
  論文  参考訳（メタデータ） (2023-08-25T01:51:26Z)
• Understanding How Consistency Works in Federated Learning via Stage-wise Relaxed Initialization [84.42306265220274]
  フェデレートラーニング(Federated Learning, FL)は、大規模なローカルクライアントを協調してグローバルモデルをトレーニングする分散パラダイムである。 従来の研究は、FLがローカルクライアント間の矛盾した最適性によって引き起こされるクライアント・ドリフトの問題に悩まされていることを暗黙的に研究してきた。 FLにおけるクライアントドリフトの負の影響を緩和し,その物質を探索するために,我々はまず,効率的なFLアルゴリズム textitFedInit を設計する。
  論文  参考訳（メタデータ） (2023-06-09T06:55:15Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)

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。