Fugu-MT 論文翻訳(概要): What Physics do Data-Driven MoCap-to-Radar Models Learn?

論文の概要: What Physics do Data-Driven MoCap-to-Radar Models Learn?

arxiv url: http://arxiv.org/abs/2605.00018v1
Date: Sun, 19 Apr 2026 01:41:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-11 06:56:26.403966
Title: What Physics do Data-Driven MoCap-to-Radar Models Learn?
Title（参考訳）: データ駆動型MoCap-to-Radarモデルは何を学ぶか?
Abstract要約: データ駆動型MoCap-to-Radarモデルは可塑性スペクトログラムを生成するが、その基礎となる物理を実際に学べるのか? 本稿では,2つの相補的指標を用いて,この疑問に答える物理に基づく解釈可能性フレームワークを提案する。
参考スコア（独自算出の注目度）: 1.4937905358679553
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data-driven MoCap-to-radar models generate plausible micro-Doppler spectrograms, but do they actually learn the underlying physics? We introduce a physics-based interpretability framework to answer this question via two proposed complementary metrics: one measures alignment between model predictions and the physics-derived Doppler frequency, while the other tests whether predictions preserve the velocity-frequency relationship under velocity intervention. Both metrics require only MoCap input and model predictions, without access to measured radar data. Experiments across several model architectures reveal that low reconstruction error does not guarantee physical consistency: some, but not all, models achieve low error yet perform poorly on the two physics-based metrics. Further analysis shows that temporal attention is critical for transformer-based models to learn the underlying physics.
Abstract（参考訳）: データ駆動型MoCap-to-Radarモデルは可塑性マイクロドップラー分光器を生成するが、その基礎となる物理を実際に学んでいるのだろうか? 本稿では, モデル予測と物理起源ドップラー周波数の整合性, 速度介入による速度-周波数関係の保存性について検討した。どちらのメトリクスも、計測されたレーダーデータにアクセスすることなく、MoCap入力とモデル予測のみを必要とする。いくつかのモデルアーキテクチャの実験では、低い再構成誤差は物理的整合性を保証するものではないことが示されている。さらなる分析により、トランスフォーマーモデルが基礎となる物理を学ぶためには時間的注意が不可欠であることが示されている。

関連論文リスト

Few-Shot Physics-Informed Neural Network for Shape Reconstruction of Concentric-Tube Robots [4.539331900295919]
既設管を3本有する6-DoF CTRのキネマティックモデリングのための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、形状、ねじれ角、ねじれひずみ、曲げモーメント、方向の完全な状態推定を可能にする。結果として得られるモデルは、計算的に効率的で堅牢であり、リアルタイム制御アプリケーションにも適している。
論文参考訳（メタデータ） (2026-05-12T22:07:53Z)
PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。本手法は,結合予測システムの長期安定性を著しく向上させる。
論文参考訳（メタデータ） (2026-05-09T13:12:33Z)
Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis [5.055539099879598]
本研究では,物理インフォームド・機械学習 (PIML) がマクロな交通流モデリングに失敗する原因について検討する。障害を、PIMLモデルが純粋にデータ駆動と純粋に物理ベースラインの両方を所定の閾値で下回る場合として定義する。 LWRベースのPIMLが高解像度のデータでもARZベースのPIMLより優れている理由を説明する。
論文参考訳（メタデータ） (2025-05-16T17:55:06Z)
BeamVQ: Aligning Space-Time Forecasting Model via Self-training on Physics-aware Metrics [18.67368024029461]
本研究では、ベクトル量子化(BeamVQ)によるemphBeam探索を提案し、データ駆動時空予測モデルの物理的アライメントを強化する。 BeamVQは、物理を意識したメトリクスでフィルタリングされた自己生成サンプルのモデルを訓練する。実験によると、BeamVQは5つのデータセットで10のバックボーンに対して平均的な統計スキルスコアを32%以上向上させただけでなく、物理学を意識したメトリクスを大幅に強化した。
論文参考訳（メタデータ） (2024-05-27T11:07:47Z)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
A Physics Enhanced Residual Learning (PERL) Framework for Vehicle Trajectory Prediction [5.7215490229343535]
PERLは、トラフィック状態予測のための物理とデータ駆動方式の長所を統合する。物理モデルに固有の解釈可能性を保持し、データ要求を減らした。 PERLは、物理モデル、データ駆動モデル、PINNモデルと比較して、小さなデータセットでより良い予測を実現する。
論文参考訳（メタデータ） (2023-09-26T21:41:45Z)
PETAL: Physics Emulation Through Averaged Linearizations for Solving Inverse Problems [0.6039786064227648]
逆問題では、オブザーバブルが与えられた関心のシグナルを回復するタスクが記述される。本稿では,様々な基準点を囲む前方モデルの線形化をモデル自体に組み込む,単純な学習重み付き平均モデルを提案する。
論文参考訳（メタデータ） (2023-05-18T15:50:54Z)
Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。ニューラル微分方程式モデルに基づく新しい手法を提案する。我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文参考訳（メタデータ） (2022-07-21T12:11:18Z)
Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
論文参考訳（メタデータ） (2021-12-10T12:39:07Z)
Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
論文参考訳（メタデータ） (2021-06-17T00:49:55Z)
Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文参考訳（メタデータ） (2021-03-11T15:21:08Z)
Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。 3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文参考訳（メタデータ） (2020-07-09T01:45:06Z)

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。