論文の概要: Learning Interpretable PDE Representations for Generative Reconstructions with Structured Sparsity

• arxiv url: http://arxiv.org/abs/2604.23867v1
• Date: Sun, 26 Apr 2026 20:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.603473
• Title: Learning Interpretable PDE Representations for Generative Reconstructions with Structured Sparsity
• Title（参考訳）: 構造的空間をもつ生成的再構成のための解釈可能なPDE表現の学習
• Authors: Valerie Tsao, Nathaniel Chaney, Manolis Veveakis,
• Abstract要約: 本稿では,スパース観測と超解像を同時に解決する潜在拡散フレームワークであるLatentPDEを紹介する。 我々は、仮定されたPDEの係数とソース項として、潜伏変数を直接パラメータ化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific measurements are often bottlenecked by suboptimal conditions, whether that be noise, incomplete spatial coverage, or limited resolution, rendering accurate field reconstruction a difficult task. We introduce LatentPDE, a latent diffusion framework designed to simultaneously resolve sparse-observation reconstruction and super-resolution. While existing physics-guided diffusion models typically rely on soft loss penalties or uninterpretable representations, our approach enforces physical compliance by constructing an inherently interpretable latent space. Specifically, we parameterize the latent variables directly as the coefficients and source terms of an assumed governing PDE. In doing so, LatentPDE is able to reliably reconstruct dynamics across highly disparate and structured data gaps. Empirical results on diverse configurations demonstrate that our model achieves high-fidelity recovery at any desired resolution while also tracking the underlying predictive uncertainty.
• Abstract（参考訳）: 科学的測定は、ノイズ、不完全な空間範囲、解像度の制限など、最適以下の条件によってボトルネックされることが多く、正確なフィールド再構築は難しい課題である。 本稿では,スパース観測と超解像を同時に解決する潜在拡散フレームワークであるLatentPDEを紹介する。 既存の物理誘導拡散モデルは通常、ソフトロスペナルティや解釈不能な表現に依存しているが、本手法は本質的に解釈可能な潜在空間を構築することによって、物理的コンプライアンスを強制する。 具体的には、仮定されたPDEの係数とソース項として、潜伏変数を直接パラメータ化する。 そうすることで、LatentPDEは、高度に異なる構造化されたデータギャップにわたって、動的を確実に再構築することができる。 多様な構成に関する実証的な結果から,本モデルは任意の解像度で高忠実度回復を達成し,基礎となる予測の不確実性も追跡できることが示唆された。

関連論文リスト

• PDE-regularized Dynamics-informed Diffusion with Uncertainty-aware Filtering for Long-Horizon Dynamics [2.1129307468437513]
  我々はPDEに基づく正規化と不確実性を考慮した予測を統合した動的インフォームド拡散フレームワークを提案する。 PDYffusion は CRPS と MSE の点で優れた性能を示し,SSR による安定な不確実性挙動を維持した。
  論文  参考訳（メタデータ） (2026-04-10T07:37:38Z)
• A PDE-Informed Latent Diffusion Model for 2-m Temperature Downscaling [14.475761134288573]
  本研究は,大気データの動的ダウンスケーリングに適した物理条件付き潜在拡散モデルを提案する。 既存の拡散アーキテクチャに基づいて、モデルの学習目標に偏微分方程式(PDE)損失項を統合する。 この追加損失による微調整がモデルをさらに規則化し、生成したフィールドの物理的妥当性を高めるかを検討する。
  論文  参考訳（メタデータ） (2025-10-27T21:17:03Z)
• Guided Diffusion Sampling on Function Spaces with Applications to PDEs [112.09025802445329]
  PDEに基づく逆問題における条件付きサンプリングのための一般的なフレームワークを提案する。 これは、関数空間拡散モデルと条件付けのためのプラグアンドプレイガイダンスによって達成される。 提案手法は,最先端の固定解像度拡散ベースラインに対して平均32%の精度向上を実現する。
  論文  参考訳（メタデータ） (2025-05-22T17:58:12Z)
• Physics-informed Reduced Order Modeling of Time-dependent PDEs via Differentiable Solvers [1.224954637705144]
  本稿では,PDEソルバをトレーニング手順に組み込んだ物理インフォームドROM(Phi$-ROM)を提案する。 我々のモデルは、最先端のデータ駆動ROMやその他の物理インフォームド戦略より優れています。 $Phi$-ROMは、未熟で不規則な視野で訓練されたり評価されたりしても、解場を回復し、予測することを学ぶ。
  論文  参考訳（メタデータ） (2025-05-20T16:47:04Z)
• Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
  低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。 我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。 数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-28T16:44:28Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• Stability and Generalizability in SDE Diffusion Models with Measure-Preserving Dynamics [11.919291977879801]
  逆問題では、測定やデータから因果因子を推定する過程を記述する。 拡散モデルは、逆問題を解決する強力な生成ツールとして期待されている。
  論文  参考訳（メタデータ） (2024-06-19T15:55:12Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
  我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。 物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。 本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
  論文  参考訳（メタデータ） (2023-04-25T15:53:45Z)

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。