論文の概要: Population-Aware Physics-Informed Neural Particle Flow for Bayesian Update
- arxiv url: http://arxiv.org/abs/2606.10959v1
- Date: Tue, 09 Jun 2026 15:02:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.5713
- Title: Population-Aware Physics-Informed Neural Particle Flow for Bayesian Update
- Title（参考訳）: ベイジアン更新のための個体群対応物理インフォームドニューラル粒子流
- Authors: Batu Candan, Simone Servadio,
- Abstract要約: 本稿では,全粒子集合の置換不変なDeep Sets表現で各粒子の更新を増強する人口対応PINPF(PA-PINPF)を提案する。
飛距離測定タスクと非線形時間差後輸送の実験により,両個体群がPINPFよりも向上することが確認された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics-informed neural particle flow (PINPF) learns a deterministic transport field that moves particles from a prior distribution toward a Bayesian posterior while enforcing the governing probability-evolution equation. However, the standard PINPF velocity model processes particles independently and therefore does not explicitly condition its transport decisions on the empirical particle population. This paper introduces population-aware PINPF (PA-PINPF), which augments each particle update with a permutation-invariant Deep Sets representation of the full particle set. We investigate two population encoders. PA-PINPF-State summarizes the particle states, whereas PA-PINPF-Feature summarizes the complete local physics-informed feature vectors, including particle position, pseudo-time, measurement information, likelihood values, and score information. The latter allows the population context to represent not only particle-cloud geometry, but also the population-level Bayesian transport geometry. The methods retain the original unsupervised physics-informed residual objective and require no ground-truth posterior samples during training. Experiments on range-measurement tasks and nonlinear time-difference-of-arrival posterior transport demonstrate that both population-aware variants improve over particle-wise PINPF, while feature-population encoding provides the strongest performance. These results show that population-level physics features provide useful global information for learned Bayesian particle transport.
- Abstract（参考訳）: 物理インフォームド・ニューラル粒子流(PINPF)は、決定論的輸送場を学習し、支配確率進化方程式を強制しながら、粒子を以前の分布からベイズ後部へ移動させる。
しかし、標準のPINPF速度モデルは粒子を独立に処理するので、経験的粒子群に対して輸送決定を明示的に条件付けない。
本稿では,全粒子集合の置換不変なDeep Sets表現で各粒子の更新を増強する人口対応PINPF(PA-PINPF)を提案する。
人口エンコーダを2つ調べる。
PA-PINPF-Stateは粒子状態を要約するが、PA-PINPF-Featureは、粒子位置、擬似時間、測定情報、確率値、スコア情報を含む完全な局所的な物理インフォームド特徴ベクトルを要約する。
後者では、人口コンテキストは粒子雲の幾何学だけでなく、人口レベルのベイズ輸送幾何学も表すことができる。
この方法は、元の教師なしの物理インフォームドの残留目標を保持し、訓練中に地上の真直ぐな後部サンプルを必要としない。
広帯域化タスクと非線形時間差後輸送の実験により,両個体群がPINPFよりも向上し,特徴人口符号化が最強性能を示した。
これらの結果は,学習したベイズ粒子輸送において,人口レベルの物理学的特徴が有用なグローバル情報を提供することを示している。
関連論文リスト
- WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer [107.36949516442782]
本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。
論文 参考訳（メタデータ） (2026-05-14T18:18:12Z) - 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) - R-ParVI: Particle-based variational inference through lens of rewards [0.0]
部分的に既知の密度をサンプリングするために, 報酬誘導, 勾配のないParVI法を提案する。
R-ParVIは、確率モデルのクラスに対して、高速で、柔軟で、スケーラブルで、推論を提供する。
論文 参考訳（メタデータ） (2025-02-27T19:50:22Z) - Learning to be Smooth: An End-to-End Differentiable Particle Smoother [6.024667647886018]
本研究では, 粒子スムースナーの訓練において, 長時間連続する勾配の低分散伝播の枠組みを開発する。
我々の"2-filter'は、時間とともに前方と後方に伝播する粒子の流れを統合する。
得られた混合密度粒子のスムース化は、最先端粒子フィルタよりもかなり正確である。
論文 参考訳（メタデータ） (2025-02-14T20:26:54Z) - Deep learning probability flows and entropy production rates in active matter [15.238808518078567]
本研究では,高次元確率密度のスコアを推定するディープラーニングフレームワークを開発する。
スコアを表すために,空間的に局所的なトランスフォーマーネットワークアーキテクチャを導入する。
1つのパッキング分数で4096粒子の系で訓練された1つのネットワークが、位相図の他の領域に一般化可能であることを示す。
論文 参考訳（メタデータ） (2023-09-22T16:44:18Z) - Dynamic conditioning of two particle discrete-time quantum walks [0.0]
2つの光子の量子ウォークにおける粒子損失の影響について検討し、一方の光子の損失を条件に出力確率分布を再構成した。
分散特性を変化させることなく, 粒子の局所的損失が出力分布をどのように変化させるかを示す。
我々は、単一粒子再帰過程の2つのウォーカー一般化である量子文明問題を考案した。
論文 参考訳（メタデータ） (2023-01-30T10:17:57Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - Variational Transport: A Convergent Particle-BasedAlgorithm for Distributional Optimization [106.70006655990176]
分散最適化問題は機械学習や統計学で広く発生する。
本稿では,変分輸送と呼ばれる粒子に基づく新しいアルゴリズムを提案する。
目的関数がpolyak-Lojasiewicz (PL) (Polyak, 1963) の機能バージョンと滑らかな条件を満たすとき、変分輸送は線形に収束することを示す。
論文 参考訳（メタデータ） (2020-12-21T18:33:13Z) - When is Particle Filtering Efficient for Planning in Partially Observed
Linear Dynamical Systems? [60.703816720093016]
本稿では, 逐次計画における粒子フィルタリングの効率性について検討する。
我々は、粒子フィルタリングに基づくポリシーの長期報酬が正確な推測に基づいてそれに近いように、必要な粒子の数に縛り付けることができる。
このテクニックは、他のシーケンシャルな意思決定問題に有効であると考えています。
論文 参考訳（メタデータ） (2020-06-10T17:43:43Z)
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。