論文の概要: Stochastic Lifting for Generating Trajectories of Stochastic Physical Systems
- arxiv url: http://arxiv.org/abs/2605.29194v1
- Date: Thu, 28 May 2026 00:10:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:55.568973
- Title: Stochastic Lifting for Generating Trajectories of Stochastic Physical Systems
- Title（参考訳）: 確率的物理系の軌道生成のための確率的リフティング
- Authors: Jules Berman, Tobias Blickhan, Benjamin Peherstorfer,
- Abstract要約: 現在の状態から次の状態への遷移は、スムーズなマップと明示的なランダムなソースの組み合わせとしてモデル化されることが多い。
本稿では、トレーニングデータの各状態遷移に独立して高次元ランダムラベルを付加し、標準回帰損失を用いて現在の状態から次の状態への遷移マップを固定することにより、この構造を利用する。
新たなラベルは各タイムステップでサンプリングされ、学習されたマップは自動回帰的にロールアウトされ、タイムステップ毎に単一のネットワーク評価を伴う多様なトラジェクトリを生成する。
- 参考スコア（独自算出の注目度）: 12.19832939917878
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many stochastic physical systems evolve smoothly over time in the sense that the distribution of states changes regularly across time steps. The transition from current state to the next state can often be modeled as the combination of a smooth map and an explicit source of randomness. Stochastic Lifting exploits this structure by attaching an independent, high-dimensional random label to each state transition in the training data and fitting a transition map from the current state and label to the next state using a standard regression loss. The labels act as auxiliary coordinates that let the model represent multiple plausible next states from similar current states, avoiding collapse to a mean prediction in the finite-sample size regime. At inference, fresh labels are sampled at each time step and the learned map is rolled forward autoregressively, generating diverse trajectories with a single network evaluation per time step.
- Abstract（参考訳）: 多くの確率的物理系は、時間ステップを通して状態の分布が定期的に変化するという意味で、時間とともに滑らかに進化する。
現在の状態から次の状態への遷移はしばしば、滑らかな写像と明示的なランダム性源の組み合わせとしてモデル化される。
Stochastic Liftingは、トレーニングデータの各状態遷移に独立して高次元ランダムラベルをアタッチし、標準回帰損失を用いて現在の状態から次の状態への遷移マップをアタッチすることで、この構造を利用する。
ラベルは、モデルが類似の現在の状態から複数の可塑性次の状態を表現するための補助座標として機能し、有限サンプルサイズの状態における平均予測への崩壊を避ける。
推論では、各ステップ毎に新しいラベルをサンプリングし、学習されたマップを自己回帰的にロールアウトし、タイムステップ毎に単一のネットワーク評価を施した多様なトラジェクトリを生成する。
関連論文リスト
- Video Analysis and Generation via a Semantic Progress Function [75.07700965101854]
与えられたシーケンスの意味が時間とともにどのように進化するかをキャプチャする一次元表現を導入する。
各フレームに対して、セマンティック埋め込み間の距離を計算し、シーケンス間の累積的なセマンティックシフトを反映する滑らかな曲線を適合させる。
この知見に基づいて,シーケンスをパラメータ化して意味変化を一定速度で展開する意味線形化手法を提案する。
論文 参考訳（メタデータ） (2026-04-24T13:48:51Z) - SSR: A Training-Free Approach for Streaming 3D Reconstruction [53.19807901585702]
自己表現型シーケンス規則化(Self Expressive Sequence Regularization、SSR)は、推論中にグラスマン列の正則性を強制するプラグアンドプレイ演算子である。
本研究では,SSRが連続的にドリフトを低減し,複数のストリーミング3D再構成タスクにおける再構成品質を向上させることを示す。
論文 参考訳（メタデータ） (2026-03-16T02:55:14Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Asynchronously Trained Distributed Topographic Maps [0.0]
分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。
単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
論文 参考訳（メタデータ） (2023-01-20T01:15:56Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。
このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。
異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
論文 参考訳（メタデータ） (2022-02-25T01:50:22Z) - Online Variational Filtering and Parameter Learning [26.79116194327116]
状態空間モデル(SSM)におけるオンライン状態推定とパラメータ学習のための変分法を提案する。
我々は、モデルパラメータと状態の後方分布の変動近似の両方に関して、ログエビデンスの低い境界を同時に最適化するために勾配を用いる。
従来の手法と異なり,本手法では,過去の観測結果が組み込まれてから修正する必要がなく,更新のコストが一定であるように,完全にオンラインで運用することが可能である。
論文 参考訳（メタデータ） (2021-10-26T10:25:04Z) - Dynamical Wasserstein Barycenters for Time-series Modeling [16.212262513825717]
ほとんどの先行研究は、純粋な離散状態間の即時遷移を前提としている。
本稿では,時間とともにシステム状態を推定するWasserstein Barycentric (DWB)モデルを提案する。
いくつかの人的活動データセットの実験により、提案したDWBモデルが純粋状態の生成過程を正確に学習できることが示されている。
論文 参考訳（メタデータ） (2021-10-13T14:20:06Z) - Targeted stochastic gradient Markov chain Monte Carlo for hidden Markov models with rare latent states [48.705095800341944]
隠れマルコフモデルのためのマルコフ連鎖モンテカルロ (MCMC) アルゴリズムは、しばしば前向きのサンプリング器に依存する。
これにより、時系列の長さが増加するにつれて計算が遅くなり、サブサンプリングベースのアプローチの開発が動機となる。
本稿では,パラメータの勾配を計算する際に,希少な潜伏状態に対応するオーバーサンプリング観測を対象とするサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2018-10-31T17:44:20Z)
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。