論文の概要: UFO: A Domain-Unification-Free Operator Framework for Generalized Operator Learning

• arxiv url: http://arxiv.org/abs/2605.12700v1
• Date: Tue, 12 May 2026 19:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.65558
• Title: UFO: A Domain-Unification-Free Operator Framework for Generalized Operator Learning
• Title（参考訳）: UFO: 汎用演算子学習のためのドメイン統合フリー演算子フレームワーク
• Authors: Hanli Qiao, George Em Karniadakis, Muhammad Muniruzzaman,
• Abstract要約: 我々は、適応的、共同条件付き相互作用を通じて演算子を実現するクロスドメインニューラルネットワークフレームワークであるUFO(Domain-Unification-Free Operator)を紹介する。 我々は、UFOが分布シフトの下で正確な、堅牢で、物理的に一貫性のある予測を提供することを示す。
• 参考スコア（独自算出の注目度）: 4.235429894371577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural operators have become an effective framework for learning mappings between function spaces, yet most existing architectures realize operators within a single representational domain, such as physical, spectral, or latent space. In this work, we introduce UFO (Domain-Unification-Free Operator), a cross-domain neural operator framework that realizes operators through adaptive, jointly conditioned interactions among representations defined on distinct domains. UFO enables discretization decoupling: the input function can be observed at resolutions or locations different from those used during training, while the solution can be queried at arbitrary output resolutions. Across four complementary benchmarks covering discontinuous inputs, irregular sampling with spectral mismatch, nonlinear dynamics, and stochastic high-frequency fields, UFO delivers accurate, robust, and physically coherent predictions under distribution shifts. These results establish cross-domain, phase-modulated realization as a powerful framework for discretization-decoupled neural operator learning.
• Abstract（参考訳）: ニューラルネットワークは関数空間間のマッピングを学習するための効果的なフレームワークとなっているが、既存のアーキテクチャのほとんどは、物理、スペクトル、潜在空間などの単一の表現領域内で演算子を実現する。 本研究では、異なるドメイン上で定義された表現間の適応的、共同条件付き相互作用を通じて演算子を実現するクロスドメイン・ニューラル・オペレーター・フレームワークであるUFO(Domain-Unification-Free Operator)を紹介する。 UFOは離散化分離を可能にする:入力関数は訓練中に使用するものと異なる解像度や位置で観測でき、解は任意の出力解像度でクエリすることができる。 不連続な入力、スペクトルミスマッチによる不規則サンプリング、非線形ダイナミクス、確率的高周波場を含む4つの相補的なベンチマークにおいて、UFOは分布シフトの下で正確で堅牢で物理的に一貫性のある予測を提供する。 これらの結果は、離散化と分離されたニューラル演算子学習のための強力なフレームワークとして、クロスドメイン、位相変調実現を確立している。

関連論文リスト

• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• GRIFDIR: Graph Resolution-Invariant FEM Diffusion Models in Function Spaces over Irregular Domains [56.121725064621295]
  関数空間におけるスコアベース拡散モデル(英語版)は関数値データをモデル化するための原則的なフレームワークを提供する。 しかし、実践的な実装はこれらの利点を完全に実現するのに苦労しています。 一般化された畳み込みカーネルを有限グラフカーネルとして表現する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-05-05T08:33:52Z)
• Cross-Domain Transfer with Self-Supervised Spectral-Spatial Modeling for Hyperspectral Image Classification [5.784164305429653]
  本稿では,自己管理型クロスドメイン転送フレームワークを提案する。 ソースラベルなしで伝送可能なスペクトル-空間結合表現を学習する。 実験結果は、安定した分類性能と強いクロスドメイン適応性を示す。
  論文  参考訳（メタデータ） (2026-01-26T02:52:35Z)
• Flow matching Operators for Residual-Augmented Probabilistic Learning of Partial Differential Equations [0.5729426778193397]
  無限次元関数空間におけるフローマッチングを定式化し、確率的輸送を学習する。 本研究では,フローマッチングベクトル場に対する特徴量線形変調に基づく条件付きニューラル演算子アーキテクチャを開発する。 提案手法は,解演算子を様々な解像度と忠実度で正確に学習できることを示す。
  論文  参考訳（メタデータ） (2025-12-14T16:06:10Z)
• A general reduced-order neural operator for spatio-temporal predictive learning on complex spatial domains [1.708086375224371]
  本稿では,複雑なプロセス(PL-STP)の予測学習における不等領域マッピングに着目した。 近年のディープラーニングの進歩は、観測データから直接演算子を学習する神経演算子(NO)の大きな可能性を明らかにしている。 既存のNOは入力空間と出力空間を同じ領域とする必要があり、不等領域写像の予測精度と安定性を確保することが課題となる。
  論文  参考訳（メタデータ） (2024-09-09T11:02:27Z)
• Neural Operators with Localized Integral and Differential Kernels [77.76991758980003]
  本稿では,2つのフレームワークで局所的な特徴をキャプチャできる演算子学習の原理的アプローチを提案する。 我々はCNNのカーネル値の適切なスケーリングの下で微分演算子を得ることを示す。 局所積分演算子を得るには、離散連続的畳み込みに基づくカーネルの適切な基底表現を利用する。
  論文  参考訳（メタデータ） (2024-02-26T18:59:31Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Beyond Regular Grids: Fourier-Based Neural Operators on Arbitrary Domains [13.56018270837999]
  本稿では,ニューラルネットワークを任意の領域に拡張する簡単な手法を提案する。 このような直接スペクトル評価の効率的な実装*は、既存のニューラル演算子モデルと結合する。 提案手法により,ニューラルネットワークを任意の点分布に拡張し,ベースライン上でのトレーニング速度を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-05-31T09:01:20Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。