論文の概要: DiffUNet^2: Bidirectional Prediction, Probabilistic Generation and Collaborative Visual Discovery for Scientific Data

• arxiv url: http://arxiv.org/abs/2606.03926v1
• Date: Tue, 02 Jun 2026 17:15:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.210724
• Title: DiffUNet^2: Bidirectional Prediction, Probabilistic Generation and Collaborative Visual Discovery for Scientific Data
• Title（参考訳）: DiffUNet^2:科学データのための双方向予測・確率生成・協調的視覚発見
• Authors: Mengdi Chu, Jiaxin Yang, Angus G. Forbes, Nathan Debardeleben, Earl Lawrence, Ayan Biswas, Han-Wei Shen,
• Abstract要約: 時相進化は科学現象の分析と推論に重要である。 ほとんどの機械学習手法は、複数の妥当な結果を見渡す決定論的前方予測を提供する。 本稿では,拡散に基づく生成モデルとインタラクティブな視覚分析を統合し,科学的探索を行う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）: 25.698658042998073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling temporal evolution is important to analyzing and reasoning about scientific phenomena, yet most machine learning methods provide deterministic forward predictions that overlook multiple plausible outcomes and rarely support backward reasoning, limiting their usefulness in practical scientific workflows. We present a framework that integrates diffusion-based generative modeling with interactive visual analytics for scientific exploration. We introduce DiffUNet^2, a conditional diffusion model that enables bidirectional, any-to-any generation across time and captures distributions of plausible system evolutions. Built upon the model, our interactive system supports branching timeline exploration, user-guided state editing, and probability-space navigation, enabling scientists to actively explore alternative hypotheses rather than passively observe predictions. We evaluate the model on 5 datasets across different scientific domains to validate its predictive accuracy and probability-space ensemble quality. In collaboration with domain experts, we demonstrate the effectiveness of our approach in supporting practical scientific temporal data analysis workflows. By integrating modeling and visual interaction, our approach enables scientists to interactively explore system dynamics, transforming generative models into tools for hypothesis-driven scientific analysis.
• Abstract（参考訳）: 時間的進化のモデル化は、科学的現象の分析と推論において重要であるが、ほとんどの機械学習手法は、複数の妥当な結果を見落とし、後進推論をほとんどサポートしない決定論的前方予測を提供し、実践的な科学的ワークフローにおけるそれらの有用性を制限している。 本稿では,拡散に基づく生成モデルとインタラクティブな視覚分析を統合し,科学的探索を行うフレームワークを提案する。 DiffUNet^2という条件付き拡散モデルを導入し、時間にわたって双方向の任意の生成を可能にし、可算システムの進化の分布をキャプチャする。 このモデルに基づいて、我々のインタラクティブシステムは、分岐タイムライン探索、ユーザガイドによる状態編集、確率空間ナビゲーションをサポートします。 我々は,その予測精度と確率空間アンサンブルの品質を評価するために,異なる科学的領域にわたる5つのデータセットのモデルを評価した。 ドメインエキスパートと共同で、実践的な科学的時間的データ分析ワークフローを支援するためのアプローチの有効性を実証する。 モデリングと視覚的相互作用を統合することで、システムダイナミクスをインタラクティブに探索し、生成モデルを仮説駆動型科学分析のツールに変換することが可能になる。

関連論文リスト

• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics [82.55776608452017]
  大規模言語モデル(LLM)は、人間の科学者、自然言語、コンピュータ言語とコード、物理学との相互作用を編成する柔軟性と汎用性を備えたフレームワークを提供する。 本稿では, LLMを基盤とした科学エージェントの展望と展望と, 科学発見のライフサイクルを変革する上でのその役割について述べる。 オープンな研究課題を特定し、より堅牢で汎用的で適応的な科学エージェントを構築するための有望な方向性を概説する。
  論文  参考訳（メタデータ） (2025-10-10T22:26:26Z)
• A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
  科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。 この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。 我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
  論文  参考訳（メタデータ） (2025-08-28T18:30:52Z)
• Self-Supervised Evolution Operator Learning for High-Dimensional Dynamical Systems [24.014942930679855]
  非スケールな力学系の進化演算子を学習するためのエンコーダのみのアプローチを導入する。 ホストサイトの小さなタンパク質の折りたたみ力学を説明し、気候データのパターンを自律的に発見する。
  論文  参考訳（メタデータ） (2025-05-24T12:18:19Z)
• Temporal receptive field in dynamic graph learning: A comprehensive analysis [15.161255747900968]
  本稿では,動的グラフ学習における時間受容領域の包括的解析について述べる。 その結果,適切な時間的受容場を選択すれば,モデルの性能が大幅に向上することが示された。 一部のモデルでは、過度に大きなウィンドウがノイズを発生させ、精度を低下させる。
  論文  参考訳（メタデータ） (2024-07-17T07:46:53Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning [41.42230144157259]
  本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。 将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。 トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
  論文  参考訳（メタデータ） (2020-03-31T02:49:23Z)

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。