論文の概要: Function-Space Priors for Bayesian Neural ODEs with Application to Vessel Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2606.06351v1
• Date: Thu, 04 Jun 2026 16:21:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.950123
• Title: Function-Space Priors for Bayesian Neural ODEs with Application to Vessel Trajectory Prediction
• Title（参考訳）: ベイズ型ニューラルネットワークの関数空間優先法と容器軌道予測への応用
• Authors: Jaeyeong Lee, Wonmo Koo, Heeyoung Kim,
• Abstract要約: 自動識別システム(AIS)データからの船舶軌道予測は,海上における状況認識に不可欠である。 本研究では,不確実性定量化を伴う連続時間軌道モデリングのための原理的フレームワークを提案する。 我々は,GP前の入力構造からベクトル場の偏差を補償するカーネルベースの正則化器を用いる。
• 参考スコア（独自算出の注目度）: 8.831954614241232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vessel trajectory prediction from Automatic Identification System (AIS) data is essential for maritime situational awareness, yet it remains challenging due to irregular sampling, missing reports, and complex dynamics. Beyond accurate point forecasts, maritime applications also demand well-calibrated uncertainty estimates for reliable decision-making. Bayesian Neural Ordinary Differential Equations (ODEs) offer a principled framework for continuous-time trajectory modeling with uncertainty quantification by placing a prior over the neural vector field parameters. However, the commonly used isotropic Gaussian weight prior fails to encode informative structural properties of vessel dynamics, such as smoothness and locality. Existing function-space Bayesian neural network methods address this limitation for static mappings, but do not transfer directly to Neural ODEs, where the primary quantity of interest is the trajectory rather than the vector field itself. In principle, one could place a Gaussian process (GP) prior directly over ODE solutions, but this requires propagating distributions through a nonlinear ODE solver, which is analytically intractable. To address this challenge, we adopt a practical approach that imposes a GP-kernel-based prior directly on the vector field evaluated at a finite set of measurement points. Specifically, we augment the standard weight-space variational objective with a kernel-based regularizer that penalizes deviations of the vector field from the structure implied by a GP prior. To handle long and irregular AIS trajectories, we further combine this function-space regularization with probabilistic multiple shooting, which decouples inference across temporal segments while maintaining global consistency.
• Abstract（参考訳）: 自動識別システム(AIS)データからの船舶軌道予測は、海洋状況の認識に不可欠であるが、不規則なサンプリング、報告の欠如、複雑な力学のために依然として困難である。 正確なポイント予測の他に、海上のアプリケーションは信頼性の高い意思決定のために、よく校正された不確実性推定を要求する。 Bayesian Neural Ordinary Differential Equations (ODE) は、ニューラルベクトル場パラメータに事前を置くことによって、不確実な定量化を伴う連続時間軌道モデリングの原則的なフレームワークを提供する。 しかし、よく用いられる等方的ガウス重みは、滑らかさや局所性などの容器力学の情報的構造特性を符号化するのに失敗する。 既存の関数空間ベイズニューラルネットワーク法は、静的写像のこの制限に対処するが、ベクトル場自体ではなく軌道が主であるニューラルODEに直接転送しない。 原理的には、ガウス過程 (GP) を ODE の解の上に直接配置することができるが、これは解析的に難解な非線形ODEソルバを通して分布を伝播させる必要がある。 この課題に対処するために、有限な測定点の集合で評価されたベクトル場に直接GPカーネルに基づく事前を課す実践的アプローチを採用する。 具体的には、GP前の入力構造からベクトル場の偏差を補償するカーネルベースの正則化器により、標準重量空間の変動目標を増大させる。 長大かつ不規則なAIS軌道に対処するため、この関数空間正規化と確率的多重撮影を併用し、グローバルな整合性を維持しつつ、時間セグメント間の推論を分離する。

関連論文リスト

• Physics-informed neural particle flow for the Bayesian update step [0.8220217498103312]
  本稿では,物理インフォームド・ニューラル粒子フローを提案する。 制御偏微分方程式(PDE)を損失関数に埋め込むことで、ニューラルネットワークをトレーニングして輸送速度場を近似する。 ニューラルネットワークのパラメータ化は暗黙の正則化器として機能し,解析フローに固有の剛性を緩和することを示した。
  論文  参考訳（メタデータ） (2026-02-26T15:10:45Z)
• Foundation Inference Models for Ordinary Differential Equations [3.4253416336476246]
  低次元のODE推論を補正するFIM-ODEを提案する。 我々は、低次ベクトル場を持つODE上の事前分布にFIM-ODEを事前学習し、ニューラル演算子で対象フィールドを表現する。 プレトレーニングはまた、ファインチューニングのための強力な初期化を提供し、現代のニューラルベースラインやGPベースラインを上回る高速で安定した適応を可能にする。
  論文  参考訳（メタデータ） (2026-02-09T14:39:11Z)
• Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
  時系列生成には、フローマッチング(FM)がますます使われている。 一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。 インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
  論文  参考訳（メタデータ） (2026-02-09T06:48:45Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Bayesian Gaussian Process ODEs via Double Normalizing Flows [27.015257976208737]
  本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。 また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。 シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-17T09:28:47Z)
• Linear Time GPs for Inferring Latent Trajectories from Neural Spike Trains [7.936841911281107]
  我々は,Hida-Mat'ernカーネルと共役変分推論(CVI)を利用した潜在GPモデルの一般的な推論フレームワークであるcvHMを提案する。 我々は任意の確率で線形時間複雑性を持つ潜在神経軌道の変分推定を行うことができる。
  論文  参考訳（メタデータ） (2023-06-01T16:31:36Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)

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。