論文の概要: The Dynamic-Probabilistic Consistency Gap in Chaotic Surrogate Modeling

• arxiv url: http://arxiv.org/abs/2605.31547v1
• Date: Fri, 29 May 2026 17:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.764056
• Title: The Dynamic-Probabilistic Consistency Gap in Chaotic Surrogate Modeling
• Title（参考訳）: カオスサロゲートモデリングにおける動的確率的一貫性ギャップ
• Abstract要約: 動的システム再構成は、時系列データに基づく動的データをキャプチャする代理モデルを学ぶことを目的としている。 有限ホライズン確率的目的の追求は、それが反映すべき局所力学から、ダイナミクスを分解したり、予測の不確実性を分離することができることを示す。 局所的な予測残差の確率を評価するフィルタベースのトレーニングフレームワークであるKAFFEEを提案する。
• 参考スコア（独自算出の注目度）: 12.99285218442082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamical systems reconstruction (DSR) aims to learn surrogate models that capture the dynamics underlying time-series data. Reliably deploying these surrogates requires uncertainty estimates consistent with the learned dynamics. We expose a dynamic-probabilistic consistency (DPC) gap: the pursuit of finite-horizon probabilistic objectives can degrade dynamics or decouple predictive uncertainty from the local tangent dynamics it ought to reflect. We isolate three mechanisms behind this gap: core collapse, noise masking, and blind uncertainty. Specifically, we show that open-loop Gaussian rollout objectives can penalize Jacobian-generated covariance growth in chaotic systems, encouraging optimization shortcuts that weaken physical expansion or decouple uncertainty from it. To mitigate this gap, we propose KAFFEE (Kalman-Aware Framework For Ergodic Emulation), a differentiable extended Kalman filter-based training framework that evaluates likelihood on local predictive residuals (innovations) while transporting covariance through learned local Jacobians. On stochastic hyperchaotic Lorenz-96, KAFFEE reduces the identified failure modes, improves reconstruction of dynamical invariants relative to open-loop objectives, and maintains competitive predictive scores. We further show that the DPC gap appears when probabilistically adapting a DSR foundation model across 13 chaotic systems, where KAFFEE enables in-context Bayesian filtering while largely preserving zero-shot dynamics.
• Abstract（参考訳）: 動的システム再構成(DSR)は、時系列データに基づく動的データをキャプチャする代理モデルを学ぶことを目的としている。 これらのサロゲートを確実にデプロイするには、学習されたダイナミクスと一致した不確実性推定が必要である。 有限水平確率的目的の追求は、それが反映すべき局所的接線力学から予測的不確実性を分解または分離することができる。 このギャップの背後にある3つのメカニズムは、コア崩壊、ノイズマスキング、ブラインド不確実性である。 具体的には,オープンループガウシアンロールアウトの目的は,カオスシステムにおけるヤコビアン生成の共分散成長をペナルティ化し,物理膨張を弱めたり不確実性を排除したりする最適化ショートカットを促進できることを示す。 このギャップを緩和するために,ローカルなヤコビアンを通して共分散を伝達しながら,局所的な予測残差(イノベーション)の可能性を評価可能な拡張カルマンフィルタベースのトレーニングフレームワークであるKAFFEE(Kalman-Aware Framework for Ergodic Emulation)を提案する。 確率的過カオスLorenz-96では、KAFFEEは特定された障害モードを減らし、オープンループの目的に対する動的不変量の再構成を改善し、競合予測スコアを維持する。 さらに,13のカオスシステムに対して,DSR基盤モデルを確率的に適応させると,DPCギャップが出現し,KAFFEEは,ほとんどゼロショットのダイナミクスを保ちながら,コンテキスト内ベイズフィルタリングを可能にする。

関連論文リスト

• Stable by Construction: Variational Latent Markov Operators for Long-Horizon PDE Prediction [12.736876538921626]
  物理的状態が潜在分布で表され、確率的遷移によって進化する潜在マルコフ力学を導入する。 本研究では,空間分解された潜伏場,ガウス摂動構造,ニューラル-演算遷移を組み合わせた変分自動符号化マルコフ演算子(VAMO)として,このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2026-09-15T04:28:59Z)
• IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
  IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。 IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。 政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
  論文  参考訳（メタデータ） (2026-08-11T08:20:02Z)
• Covariance-Regulated Recursive Koopman Learning for Nonlinear Systems with Uncertain Time-Varying Dynamics [25.933323260176167]
  本稿では,2つの相補的戦略を持つ共分散型再帰的クープマン学習(CR-RKL)フレームワークを提案する。 CR-RKLは数値的に安定かつ正確なオンラインモデリングを実現し、モデル予測制御に組み込むと、不確実な時間変化のダイナミクスの下で信頼性の高いトラッキング性能を維持する。
  論文  参考訳（メタデータ） (2026-06-13T14:22:24Z)
• Surviving the Unseen: Predictive Defense for Novel Multi-Turn Multimodal Attacks [0.0]
  本稿では,動的生存予測と軌道力学問題として安全検証を定式化する。 マルチモーダルおよびマルチターン対話フローを連続軌道としてマッピングする予測モデルとして,トリプル層異常防御(TRIAD)フレームワークが提案されている。
  論文  参考訳（メタデータ） (2026-05-18T18:06:20Z)
• Teacher Forcing as Generalized Bayes: Optimization Geometry Mismatch in Switching Surrogates for Chaotic Dynamics [13.429086216170552]
  アイデンティティ教師強制(ITF)は,カオス力学系に対する決定論的再帰的サロゲートの安定した訓練を可能にする。 AL-RNNの確率的スイッチング増強における客観的なIFFの曲率と限界率の比較を行った。
  論文  参考訳（メタデータ） (2026-04-28T17:50:37Z)
• Early Decisions Matter: Proximity Bias and Initial Trajectory Shaping in Non-Autoregressive Diffusion Language Models [54.16797570104461]
  拡散ベースの言語モデル (dLLMs) は自己回帰型言語モデルに代わる有望な代替品として登場した。 時間軸に沿った推論ダイナミクスを系統的に解析し, dLLMの非自己回帰復号化について検討した。
  論文  参考訳（メタデータ） (2026-04-12T10:26:41Z)
• 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)
• On the Plasticity and Stability for Post-Training Large Language Models [54.757672540381236]
  塑性と安定性勾配の矛盾として根本原因を同定する。 本稿では,確率的衝突解決法(PCR)を提案する。 PCRはトレーニングの軌道を著しく滑らかにし、様々な推論タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-06T07:31:26Z)
• CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
  CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。 具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。 実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2026-01-28T08:15:56Z)
• Stochastic Deep Learning: A Probabilistic Framework for Modeling Uncertainty in Structured Temporal Data [0.0]
  構造化データと時間的データを含む機械学習アプリケーションにおける不確実性を改善するために、微分方程式(SDE)を深層生成モデルと統合する新しいフレームワークを提案する。 このアプローチはLatent Differential Inference (SLDI)と呼ばれ、変分オートエンコーダの潜時空間にIt SDEを埋め込む。 SDEのドリフトと拡散の項はニューラルネットワークによってパラメータ化され、データ駆動推論と古典的時系列モデルにより不規則なサンプリングと複雑な動的構造を扱うことができる。
  論文  参考訳（メタデータ） (2026-01-08T18:53:59Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Stability analysis of chaotic systems in latent spaces [4.266376725904727]
  潜在空間アプローチはカオス偏微分方程式の解を推測できることを示す。 また、物理系の安定性を予測できる。
  論文  参考訳（メタデータ） (2024-10-01T08:09:14Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)

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。