論文の概要: Fast Amortized Fitting of Scientific Signals Across Time and Ensembles via Transferable Neural Fields

• arxiv url: http://arxiv.org/abs/2604.19979v1
• Date: Tue, 21 Apr 2026 20:40:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.839599
• Title: Fast Amortized Fitting of Scientific Signals Across Time and Ensembles via Transferable Neural Fields
• Title（参考訳）: 伝達性ニューラルネットワークによる時間とアンサンブルの科学的信号の高速補正
• Authors: Sophia Zorek, Kushal Vyas, Yuhao Liu, David Lenz, Tom Peterka, Guha Balakrishnan,
• Abstract要約: 我々は、アンサンブルの効率的な表現を可能にするために、科学的信号間で機能をどのように伝達できるかを示す。 特に、転送可能な特徴は、目標の再構築品質に達するためのイテレーションを最大で最大で削減し、複数dBによる早期の再構築品質を向上する。
• 参考スコア（独自算出の注目度）: 11.169555401145438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural fields, also known as implicit neural representations (INRs), offer a powerful framework for modeling continuous geometry, but their effectiveness in high-dimensional scientific settings is limited by slow convergence and scaling challenges. In this study, we extend INR models to handle spatiotemporal and multivariate signals and show how INR features can be transferred across scientific signals to enable efficient and scalable representation across time and ensemble runs in an amortized fashion. Across controlled transformation regimes (e.g., geometric transformations and localized perturbations of synthetic fields) and high-fidelity scientific domains-including turbulent flows, fluid-material impact dynamics, and astrophysical systems-we show that transferable features improve not only signal fidelity but also the accuracy of derived geometric and physical quantities, including density gradients and vorticity. In particular, transferable features reduce iterations to reach target reconstruction quality by up to an order of magnitude, increase early-stage reconstruction quality by multiple dB (with gains exceeding 10 dB in some cases), and consistently improve gradient-based physical accuracy.
• Abstract（参考訳）: 暗黙的ニューラルネットワーク表現(INRs)とも呼ばれるニューラルネットワークは、連続幾何学をモデル化するための強力なフレームワークを提供するが、高次元の科学的設定におけるそれらの有効性は、緩やかな収束とスケーリングの課題によって制限される。 本研究では、時空間および多変量信号を扱うためにINRモデルを拡張し、INRの特徴を科学的信号間で伝達し、時間にわたって効率よくスケーラブルな表現を可能にし、アンサンブルは償却された方法で実行されることを示す。 制御された変換機構(例えば、幾何学的変換と合成場の局所摂動)と高忠実な科学領域(乱流、流体-物質衝撃力学、天体物理系を含む)は、伝達可能な特徴が信号の忠実性だけでなく、密度勾配や渦度を含む導出した幾何学的および物理的量の精度も向上することを示した。 特に、転送可能な機能は、最大で最大で目標の再構築品質に達するイテレーションを削減し、複数dB(場合によっては10dBを超えるゲインを持つ)による早期再建品質を向上し、グラデーションベースの物理的精度を一貫して改善する。

関連論文リスト

• Signal-SGN++: Topology-Enhanced Time-Frequency Spiking Graph Network for Skeleton-Based Action Recognition [0.23332469289621785]
  スパイキングニューラルネットワーク(SNN)はエネルギー効率を提供するが、人間の動きの時間的・時間的・位相的依存関係を捉えるには限界がある。 本稿では、適応性と時間周波数スパイキングダイナミクスを統合するトポロジ対応スパイキンググラフフレームワークであるSignal-SGN++を提案する。
  論文  参考訳（メタデータ） (2025-12-22T09:16:04Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Localized FNO for Spatiotemporal Hemodynamic Upsampling in Aneurysm MRI [7.787686784329426]
  Localized Operator (LoFNO) は空間分解能と時間分解能を両立させる新しい3Dアーキテクチャである。 LoFNOは臨床画像データから直接壁せん断応力を予測する。
  論文  参考訳（メタデータ） (2025-07-18T10:00:38Z)
• GALDS: A Graph-Autoencoder-based Latent Dynamics Surrogate model to predict neurite material transport [1.104960878651584]
  本稿では,ニューラルツリー内の物質輸送シミュレーションを効率化するグラフオートコーダを用いたレイトタント・ダイナミクス・サロゲートモデルを提案する。 提案手法は, 最大相対誤差8%で平均相対誤差3%を達成し, 従来のサロゲートモデルに比べて10倍の速度向上を示した。
  論文  参考訳（メタデータ） (2025-07-15T00:22:00Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• A scalable generative model for dynamical system reconstruction from neuroimaging data [5.777167013394619]
  データ駆動推論は、観測された時系列の集合に基づく生成力学の推論であり、機械学習への関心が高まっている。 動的システム再構成(DSR)に特化した状態空間モデル(SSM)のトレーニング技術における最近の進歩は、基礎となるシステムの回復を可能にする。 本稿では,この問題を解く新しいアルゴリズムを提案し,モデル次元とフィルタ長とを比較検討する。
  論文  参考訳（メタデータ） (2024-11-05T09:45:57Z)
• Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics [38.53044197103943]
  GF-NODEは、空間周波数分解のためのグラフフーリエ変換と、連続時間進化のためのニューラルODEフレームワークを統合する。 GF-NODEは,拡張シミュレーションよりも重要な幾何学的特徴を保ちながら,最先端の精度を実現する。 これらの結果は,MDシミュレーションの強靭性と予測力を改善するために,連続時間モデルによるスペクトル分解のブリッジ化が期待できることを示す。
  論文  参考訳（メタデータ） (2024-11-03T15:10:48Z)
• ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
  ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。 本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。 スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
  論文  参考訳（メタデータ） (2023-09-06T16:59:36Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。