論文の概要: Divide-and-Conquer Modeling for the CTF-4-Science Lorenz Benchmark

• arxiv url: http://arxiv.org/abs/2606.10084v1
• Date: Mon, 08 Jun 2026 19:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.141561
• Title: Divide-and-Conquer Modeling for the CTF-4-Science Lorenz Benchmark
• Title（参考訳）: CTF-4-Science Lorenzベンチマークの除算・解法モデリング
• Authors: Shundong Li,
• Abstract要約: この研究は、12の隠れスコアと5つのシナリオファミリーにわたるカオスシステム予測を評価する。 1つのモデルクラスに全てのレシエーションを処理するように強制するのではなく、最終システムは各予測ブロックとタスクグループの評価動作を一致させた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents a divide-and-conquer modeling strategy for the CTF-4-Science Lorenz benchmark, which evaluates chaotic-system prediction across twelve hidden scores and five scenario families: clean forecasting, noisy reconstruction, noisy-input forecasting, few-shot learning, and parametric generalization. Rather than forcing one model class to handle all regimes, the final system matched each prediction block to the evaluation behavior of its task group. The main contributions are: smoothing-based reconstruction for noisy full-trajectory denoising; NG-RC/NVAR models tuned for noisy long-time attractor forecasting; a fitted Lorenz transition correction restricted to the sensitive clean short-time prefix; and a parametric prefix blend for the interpolation task. The resulting system with final public score of 79.63 shows that bounded, scenario-specific updates can outperform broad model replacement on mixed chaotic forecasting benchmarks.
• Abstract（参考訳）: そこで本研究では,CTF-4-Science Lorenzベンチマークを用いて,12の隠れスコアと5つのシナリオファミリ(クリーン予測,ノイズ再構成,ノイズインプット予測,少数ショット学習,パラメトリック一般化)のカオスシステム予測を評価する。 1つのモデルクラスに全てのレシエーションを処理するように強制するのではなく、最終システムは各予測ブロックとタスクグループの評価動作を一致させた。 本研究の主な貢献は, 雑音による全軌道雑音の再現, NG-RC/NVARモデルによる雑音の長期アトラクション予測, センシティブな短時間プレフィックスに制限されたローレンツ遷移補正, 補間作業のためのパラメトリックプレフィックスブレンドである。 最終的な公開スコア79.63のシステムは、境界付きシナリオ固有の更新が混在したカオス予測ベンチマークにおいて、広範囲なモデル置換よりも優れていることを示している。

関連論文リスト

• Adaptive Reservoir Computing for Multi-Scenario Chaotic System Forecasting [0.0]
  CTF-4-Science Lorenzベンチマークのための適応型貯水池計算フレームワークを提案する。 本研究では,Echo State Networks(ESNs)のトレーニングおよび予測手順を,各評価シナリオの特定の要求に合わせて調整する。 提案したフレームワークは、公開ベンチマークのリーダーボードで74.91のスコアを達成している。
  論文  参考訳（メタデータ） (2026-05-27T08:27:02Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• A Predictive View on Streaming Hidden Markov Models [0.8122270502556375]
  隠れマルコフモデルをストリーミングするための予測ファースト最適化フレームワークを開発した。 我々の目的は、正確なステップアヘッド予測分布を維持しながら、潜伏状態の逐次同定を行うことである。
  論文  参考訳（メタデータ） (2026-04-10T10:51:50Z)
• Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
  本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。 我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。 我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
  論文  参考訳（メタデータ） (2026-03-23T17:14:11Z)
• Controllable Probabilistic Forecasting with Stochastic Decomposition Layers [1.3995263206621]
  本稿では、決定論的機械学習気象モデルをアンサンブルシステムに変換するための分解層(SDL)を提案する。 SDLは3つのデコーダスケールでの学習摂動を、潜在駆動変調、画素ごとのノイズ、チャネルスケーリングを通じて適用する。 転送学習を通じてWXFormerに適用する場合、SDLはベースラインモデルをトレーニングするために必要な計算コストの2%未満を必要とする。
  論文  参考訳（メタデータ） (2025-12-21T17:10:00Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [56.48290708901531]
  本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。 本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
  論文  参考訳（メタデータ） (2023-01-29T11:53:55Z)
• Temporal-Structure-Assisted Gradient Aggregation for Over-the-Air Federated Edge Learning [24.248673415586413]
  本稿では,モデル集約系列の固有時間構造を特徴付けるマルコフ確率モデルを提案する。 本研究では,時間構造支援勾配集約(TSA-GA)と呼ばれるメッセージパッシングアルゴリズムを開発し,この推定課題を満たす。 提案するtsagaアルゴリズムは最先端技術を大幅に上回り,同等の学習性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-03T09:13:27Z)

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。