論文の概要: A Continuous-Time Ensemble Kalman-Bucy Smoother for Causal Inference and Model Discovery
- arxiv url: http://arxiv.org/abs/2604.25157v2
- Date: Sun, 03 May 2026 07:32:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 14:09:06.892852
- Title: A Continuous-Time Ensemble Kalman-Bucy Smoother for Causal Inference and Model Discovery
- Title（参考訳）: 因果推論とモデル発見のための連続的アンサンブルKalman-Bucy Smoother
- Authors: Zhang Jiang, Marios Andreou, Sebastian Reich, Nan Chen,
- Abstract要約: 本稿では,非線形力学系の連続DAのためのアンサンブルKalman-Bucy smoother (EnKBS)を提案する。
EnKBSのスキルは、様々な重要な科学的問題で実証されている。
- 参考スコア（独自算出の注目度）: 6.75658113372928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data assimilation (DA) integrates observational information with model predictions to improve state estimation in complex systems. While filtering provides the basis for online forecasts by using only past and present observations, it can exhibit delays and biases when the underlying dynamics evolve rapidly or undergo regime transitions. Smoothing, which additionally incorporates future observations, provides a natural pipeline for hindcasting and reanalysis that yields an uncertainty reduction beyond the filter. This paper introduces an ensemble Kalman-Bucy smoother (EnKBS) for continuous-time DA of nonlinear dynamical systems, where the smoother's conditional distributions are reconstructed using ensemble moments. The result is a derivative-free framework that does not require explicit computation of tangent-linear or adjoint models, which converges to the exact smoother solution at the infinite-ensemble limit for a wide class of complex systems. Incorporating standard regularization techniques for high-dimensional systems, such as covariance localization and inflation, the skill of the EnKBS is demonstrated in various important scientific problems. By integrating future observations, which reveal the underlying causal mechanisms for retrospective state updates, the EnKBS is used for Bayesian-based inference of causal relationships and their temporal influence range in a dyadic trigger-feedback model and the development of a causality-driven iterative learning algorithm that identifies the structure and recovers the hidden parameters of a nonlinear reduced-order model mimicking midlatitude atmospheric circulation. Notably, both tasks remain effective with an ensemble size of $O(10)$ under partial observations, suggesting that EnKBS can support the instantaneous discovery of high-dimensional complex systems over time.
- Abstract（参考訳）: データ同化(DA)は、複雑なシステムの状態推定を改善するために、観測情報とモデル予測を統合する。
フィルタリングは過去の観測と現在の観測のみを用いてオンライン予測の基盤を提供するが、基礎となるダイナミクスが急速に進化したり、状態遷移を経た時に遅延やバイアスを示すことができる。
将来の観測を取り入れたスムーシングは、後流と再解析のための自然なパイプラインを提供し、フィルタ以外の不確かさを低減させる。
本稿では,非線形力学系の連続DAに対するアンサンブルKalman-Bucy smoother (EnKBS)を導入し,スムーズな条件分布をアンサンブルモーメントを用いて再構成する。
結果は微分自由フレームワークで、接線型あるいは随伴モデルの明示的な計算は不要であり、より広い種類の複素系に対して無限アンサンブル極限において、より滑らかな解に収束する。
共分散ローカライゼーションやインフレーションといった高次元システムの標準正規化技術を組み込んだEnKBSの技術は、様々な重要な科学的問題で実証されている。
EnKBSは、リフレクション状態更新の因果関係と時間的影響範囲のベイズに基づく推論と、その構造を同定し、中緯度大気循環を模倣する非線形縮小順序モデルの隠れパラメータを復元する因果駆動反復学習アルゴリズムの開発に使用される。
特に、両方のタスクは部分的な観測の下でO(10)$のアンサンブルサイズで有効であり、EnKBSは時間とともに高次元複雑系の即時発見をサポートすることを示唆している。
関連論文リスト
- GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - 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) - The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。
時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。
本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
論文 参考訳（メタデータ） (2025-12-21T06:08:22Z) - Learning solution operator of dynamical systems with diffusion maps kernel ridge regression [2.7802667650114485]
本稿では,カーネルリッジ回帰(KRR)フレームワークが複雑な力学系の長期予測に強力なベースラインを提供することを示す。
広い範囲のシステムにおいて、DM-KRRは、最先端のランダム機能、ニューラルネットワーク、演算子学習法を精度とデータ効率の両方で一貫して上回っている。
論文 参考訳（メタデータ） (2025-12-19T03:29:23Z) - Calibrating Geophysical Predictions under Constrained Probabilistic Distributions [4.760743517243988]
我々は,正規化に基づくキャリブレーションアルゴリズムと,機械学習予測を強化するためにKSD(Kernelized Stein Discrepancy)を導入する。
これはポイントワイズ予測を鋭くするだけでなく、物理原理に根ざした非局所統計構造との整合性も強要する。
論文 参考訳（メタデータ） (2025-11-28T07:15:40Z) - Learning-Enhanced Observer for Linear Time-Invariant Systems with Parametric Uncertainty [1.6498361958317636]
この研究は、不確実な力学を持つ線形時間不変系に対する学習強化オブザーバ(LEO)を導入する。
提案フレームワークは,名目モデルにのみ依存するのではなく,システム行列を最適化可能な変数として扱い,定常出力の不一致損失の勾配に基づく最小化を通じてそれを洗練する。
結果として得られるデータインフォームド・サロゲートモデルにより、古典的設計の構造を保ちながら中等パラメータの不確かさを効果的に補償する改良されたオブザーバを構築することができる。
論文 参考訳（メタデータ） (2025-11-20T12:47:52Z) - Predicting Forced Responses of Probability Distributions via the Fluctuation-Dissipation Theorem and Generative Modeling [0.0]
非線形系の高次モーメントの小さな外乱に対する応答を推定するためのデータ駆動型フレームワークを提案する。
GFDTとスコアベース生成モデルを組み合わせて,データから直接システムのスコア関数を推定する。
本手法は, 気候動態に関するいくつかのモデルを用いて検証した。
論文 参考訳（メタデータ） (2025-04-17T20:54:33Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。
我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。
実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。