論文の概要: History-aware adaptive reduced-order models via incremental singular value decomposition

• arxiv url: http://arxiv.org/abs/2605.28684v1
• Date: Wed, 27 May 2026 16:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.204734
• Title: History-aware adaptive reduced-order models via incremental singular value decomposition
• Title（参考訳）: インクリメンタル特異値分解による履歴対応適応縮小次モデル
• Authors: Amirpasha Hedayat, Ali Mohaghegh, Laura Balzano, Cheng Huang, Karthik Duraisamy,
• Abstract要約: インクリメンタル特異値分解(iSVD)に基づくプロジェクションベースの適応ROMフレームワークを開発する。 本研究では, 1次元バーガース方程式, ソッド衝撃管, 硬い1次元回転デトネーションエンジン(RDE)の3つの非線形問題について検討する。
• 参考スコア（独自算出の注目度）: 8.494937868949643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reduced-order models (ROMs) can accelerate high-dimensional dynamical simulations, but their accuracy often deteriorates when online dynamics leave the regime represented by offline training data. We develop a projection-based adaptive ROM framework based on incremental singular value decomposition (iSVD), in which occasional full-order operator evaluations provide correction snapshots for online basis updates. The intrusive ROMs considered here are fully parameterized by the basis, so each update naturally propagates to reduced operators and hyper-reduction machinery. Through its evolving singular structure, iSVD retains an encoded history of the observed dynamics and is history-aware in this sense. We study the method on three nonlinear problems of increasing complexity: the one-dimensional viscous Burgers equation, the Sod shock tube, and a stiff one-dimensional ten-species rotating detonation engine (RDE). The Burgers problem is used to analyze the method and compare iSVD with alternative basis adaptation rules, showing that history-aware updates outperform instantaneous updates and that iSVD gives the strongest overall performance. The Sod and RDE cases demonstrate that these advantages persist in more challenging compressible-flow settings. For the RDE problem, the iSVD adaptive ROM improves upon the current state-of-the-art Direct adaptive ROM baseline in both predictive accuracy and computational efficiency. A cost analysis shows that the dominant online cost comes from interacting with the full-order model to obtain correction snapshots, while the iSVD update itself is negligible. These results identify iSVD as an effective mechanism for online learning of reduced subspaces and suggest a path toward ROMs that remain predictive over horizons several orders of magnitude longer than their initial training window.
• Abstract（参考訳）: 減階モデル(ROM)は高次元力学シミュレーションを加速することができるが、オンライン力学がオフラインのトレーニングデータで表される体制を離れると、その精度は劣化することが多い。 インクリメンタル特異値分解(iSVD)に基づくプロジェクションベースの適応ROMフレームワークを開発した。 ここで考慮された侵入性ROMは、ベースによって完全にパラメータ化されているので、各更新は、減算演算子や超減算機械に自然に伝播する。 iSVDはその進化する特異構造を通じて観察されたダイナミクスの符号化された履歴を保持しており、この意味で歴史に認識されている。 本研究では, 1次元粘性バーガース方程式, Sod ショック管, 硬質1次元回転起爆機関 (RDE) の3つの非線形問題について検討した。 Burgers の問題は,iSVD と代替ベースアダプティブルールを比較し,履歴を意識した更新が即時更新を上回り,iSVD の全体的な性能が最も高いことを示す。 Sod と RDE のケースは、これらの利点がより困難な圧縮可能なフロー設定で持続していることを示している。 RDE問題に対して、iSVD適応ROMは予測精度と計算効率の両方で現在の最先端のダイレクト適応ROMベースラインを改善する。 コスト分析では、iSVD更新自体が無視できるのに対して、オンラインコストは全順序モデルと相互作用して修正スナップショットを取得することから生じる。 これらの結果は,iSVDを減量部分空間のオンライン学習の効果的なメカニズムとして認識し,初期訓練窓よりも数桁長い水平線上で予測可能なROMへの道のりを示唆している。

関連論文リスト

• DIET: Learning to Distill Dataset Continually for Recommender Systems [69.68271683922536]
  ディープラーニングモデルは、大規模で継続的な成長するストリーミング行動ログに依存する、継続的な学習パラダイムの下でトレーニングされる。 大規模なプラットフォームでは、アーキテクチャ比較やイテレーションのために、完全な履歴データ上でモデルを再トレーニングするのは、極めて高価であり、モデル開発を著しく遅くする。 我々は,この問題を,レコメンデータシステムのためのEmphstreaming dataset distillationとして定式化し,トレーニングクリティカルな信号を保持しながら,ストリーミングデータとともに進化するコンパクトな蒸留データセットを維持する統一フレームワークである textbfDIET を提案する。
  論文  参考訳（メタデータ） (2026-03-26T02:50:13Z)
• Toward Adaptive Non-Intrusive Reduced-Order Models: Design and Challenges [0.509780930114934]
  我々は、潜在部分空間と縮小されたダイナミクスの両方をオンラインに更新する適応的非侵入性ROMについて研究する。 ROMの予測的クレームは、トレーニング/適応/デプロイ体制の明確な分離を伴って、コストを意識し、透明でなければならない、と我々は主張する。
  論文  参考訳（メタデータ） (2026-02-11T21:09:08Z)
• Adaptive Visual Autoregressive Acceleration via Dual-Linkage Entropy Analysis [50.48301331112126]
  我々は,Visual AutoRegressive モデリングのためのトレーニング不要なトークン削減促進フレームワーク NOVA を提案する。 NOVAは、スケールエントロピー成長の屈折点をオンライン同定することにより、推論中のアクティベーションアクティベーションスケールを適応的に決定する。 実験と解析により、NOVAはシンプルで効果的なトレーニングフリー加速フレームワークとして評価される。
  論文  参考訳（メタデータ） (2026-02-01T17:29:42Z)
• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• The Best of Both Worlds: Hybridizing Neural Operators and Solvers for Stable Long-Horizon Inference [0.0]
  ANCHORは、PDEの安定な長距離予測のためのオンラインのインスタンス対応ハイブリッド推論フレームワークである。 本稿では,ANCHORが長い水平誤差の増大を確実に拘束し,外挿ロールアウトを安定化し,スタンドアロンのニューラル演算子に対するロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2025-12-22T18:17:28Z)
• OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging [7.146027549101716]
  「OLR-WAA:動的重み付き平均値をもつ適応的で弾力性のあるオンライン回帰」 本稿では, 動的重み付き平均値をもつ適応的かつ弾力性のあるオンライン回帰システムOLR-WAAを紹介する。
  論文  参考訳（メタデータ） (2025-12-14T17:39:51Z)
• DAO-GP Drift Aware Online Non-Linear Regression Gaussian-Process [8.665001359628592]
  現実世界のデータセットは、しばしば進化するデータ分布を特徴とする時間的ダイナミクスを示す。 コンセプトドリフトと呼ばれるこの現象を無視することは、モデルの予測精度を著しく低下させる。 Drift-Aware Online Process (GP) は、新規で、完全に適応的で、超自由で、スパースな非線形回帰モデルである。
  論文  参考訳（メタデータ） (2025-12-09T18:12:38Z)
• Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing [3.6194446038160315]
  WORK-DMD(Windowed Online Random Kernel Dynamic Mode Decomposition)を導入する。 WORK-DMDはローリングウィンドウ内でシャーマン・モリソンの更新を採用しており、現在のデータのみから進化するダイナミックスへの継続的な適応を可能にしている。 いくつかの領域にわたるベンチマークデータセットの実験は、WORK-DMDがいくつかの最先端のオンライン予測手法よりも高い精度を達成することを示している。
  論文  参考訳（メタデータ） (2025-10-17T07:57:37Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)

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。

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。