論文の概要: Learning to Emulate Chaos: Adversarial Optimal Transport Regularization

• arxiv url: http://arxiv.org/abs/2604.21097v1
• Date: Wed, 22 Apr 2026 21:34:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.186405
• Title: Learning to Emulate Chaos: Adversarial Optimal Transport Regularization
• Title（参考訳）: カオスをエミュレートする学習: 最適輸送規則化
• Authors: Gabriel Melo, Leonardo Santiago, Peter Y. Lu,
• Abstract要約: 本稿では,高品質な要約統計と物理的に一貫したエミュレータを共同で学習する,対向的最適輸送目標のファミリーを提案する。 高次元のカオスアトラクションを持つシステムを含む様々なカオスシステムに対する実験により、我々のアプローチで訓練されたエミュレータは、長期の統計的忠実性を大幅に改善したことを示す。
• 参考スコア（独自算出の注目度）: 3.19796501338172
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chaos arises in many complex dynamical systems, from weather to power grids, but is difficult to accurately model using data-driven emulators, including neural operator architectures. For chaotic systems, the inherent sensitivity to initial conditions makes exact long-term forecasts theoretically infeasible, meaning that traditional squared-error losses often fail when trained on noisy data. Recent work has focused on training emulators to match the statistical properties of chaotic attractors by introducing regularization based on handcrafted local features and summary statistics, as well as learned statistics extracted from a diverse dataset of trajectories. In this work, we propose a family of adversarial optimal transport objectives that jointly learn high-quality summary statistics and a physically consistent emulator. We theoretically analyze and experimentally validate a Sinkhorn divergence formulation (2-Wasserstein) and a WGAN-style dual formulation (1-Wasserstein). Our experiments across a variety of chaotic systems, including systems with high-dimensional chaotic attractors, show that emulators trained with our approach exhibit significantly improved long-term statistical fidelity.
• Abstract（参考訳）: カオスは天候から電力グリッドに至るまで、多くの複雑な力学系で発生するが、神経オペレーターアーキテクチャを含むデータ駆動エミュレータを用いて正確にモデル化することは困難である。 カオスシステムでは、初期状態に対する本質的な感度は理論上、正確な長期予測を不可能にしているため、ノイズの多いデータでトレーニングされた場合、従来の正方形のエラー損失は失敗することが多い。 最近の研究は、手作りの局所特徴と要約統計に基づく正規化を導入し、多様な軌跡のデータセットから抽出した学習統計を導入することで、カオスアトラクションの統計特性に適合するエミュレータの訓練に重点を置いている。 本研究では,高品質な要約統計と物理的に一貫したエミュレータを共同で学習する,対向的最適輸送目標のファミリーを提案する。 理論的にSinkhornの発散式(2-Wasserstein)とWGANスタイルの二重定式(1-Wasserstein)を解析・実験的に検証した。 高次元のカオスアトラクションを持つシステムを含む様々なカオスシステムに対する実験により、我々のアプローチで訓練されたエミュレータは、長期の統計的忠実性を大幅に改善したことを示す。

関連論文リスト

• Momentum LMS Theory beyond Stationarity: Stability, Tracking, and Regret [6.655960359749289]
  大規模データ処理のシナリオでは、データが複雑なシステムによって生成されるシーケンシャルストリームに到達することが多い。 この非定常性は古典的な仮定に反する理論解析に挑戦する。 本稿では,適応型識別ツールとしてMomentum Least Mean Squares (MLMS)アルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2026-02-12T14:24:42Z)
• Deep Learning of the Evolution Operator Enables Forecasting of Out-of-Training Dynamics in Chaotic Systems [0.0]
  カオスシステムのための深層学習エミュレータは,学習データに欠落する現象を予測できることを示す。 倉本・シヴァシンスキーおよびベータ平面乱流モデルを用いて,両システムの基本的な現象を推定し,エミュレータの評価を行った。
  論文  参考訳（メタデータ） (2025-02-28T00:07:18Z)
• A probabilistic framework for learning non-intrusive corrections to long-time climate simulations from short-time training data [12.566163525039558]
  本稿では,カオスシステムの非侵襲的に解けない長期シミュレーションにニューラルネットワークモデルをトレーニングするための戦略を提案する。 トレーニングで見られるデータより30倍以上長い時間的地平線上での異方性統計を正確に予測する能力を示す。
  論文  参考訳（メタデータ） (2024-08-02T18:34:30Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Smoothed Online Learning for Prediction in Piecewise Affine Systems [43.64498536409903]
  本稿では,最近開発されたスムーズなオンライン学習フレームワークに基づく。 これは、断片的なアフィン系における予測とシミュレーションのための最初のアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-01-26T15:54:14Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Chaos as an interpretable benchmark for forecasting and data-driven modelling [7.6146285961466]
  カオスシステムは、現代の統計的学習技術に固有の課題を生んでいる。 本稿では,天体物理学,気候学,生化学などの分野にまたがるカオス力学系131のデータベースについて述べる。
  論文  参考訳（メタデータ） (2021-10-11T13:39:41Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。