論文の概要: Reliability of Probabilistic Emulation of Physical Systems

• arxiv url: http://arxiv.org/abs/2606.12997v1
• Date: Thu, 11 Jun 2026 07:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.645517
• Title: Reliability of Probabilistic Emulation of Physical Systems
• Title（参考訳）: 物理系の確率的エミュレーションの信頼性
• Authors: Sam F. Greenbury, Radka Jersakova, Paolo Conti, Marjan Famili, Christopher Iliffe Sprague, Edwin Brown, Jason D. McEwen,
• Abstract要約: 生成モデルとCRPS学習アンサンブルを多種多様な2次元物理システムで評価するためのフレームワークを開発した。 生成モデルとCRPS訓練アンサンブルは、良好な予測精度を示す。 将来の研究と応用を容易にするために,生成モデルとCRPS学習アンサンブルの両方を実装したモジュール型フレームワークであるAutoCastをリリースする。
• 参考スコア（独自算出の注目度）: 2.388494426638727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Two dominant approaches have emerged for generating probabilistic forecasts of physical systems: generative models, such as diffusion or flow matching; and ensembles of deterministic models with stochasticity injected, trained using the continuous ranked probability score (CRPS) loss. While both approaches have demonstrated strong predictive accuracy, the reliability of their uncertainties has not been systematically assessed. We address this gap by developing a framework to evaluate both approaches across diverse 2D spatiotemporal physical systems, under matched model size and computational budget. We assess the reliability of probabilistic emulation by inspecting the empirical coverage of predictive intervals, while also considering accuracy and computational efficiency metrics. CRPS-trained ensembles typically achieve more reliable uncertainties on both single-step prediction and autoregressive rollouts, demonstrating better coverage than the standard alternative of training generative models in a latent space. Moreover, the CRPS approach offers significantly faster inference. When generative models are trained in ambient rather than a compressed latent space, which is often infeasible for high-dimensional problems, they exhibit comparable coverage to CRPS-trained ensembles, though with substantially larger inference latency. In contrast, when CRPS-trained ensembles are trained in latent space they do not show a marked degradation in coverage with respect to ambient space. Both generative models and CRPS-trained ensembles demonstrate good predictive accuracy. To facilitate future research and application, we release AutoCast, a modular framework implementing both generative models and CRPS-trained ensembles, alongside AutoSim, a flexible dataset generation package for rapid prototyping.
• Abstract（参考訳）: 拡散や流れのマッチングのような生成モデルと、連続的なランク付け確率スコア(CRPS)の損失を用いて訓練された確率性を伴う決定論的モデルのアンサンブルである。 どちらの手法も高い予測精度を示しているが、不確実性の信頼性は体系的に評価されていない。 このギャップは,モデルサイズと計算予算の整合の下で,多種多様な2次元時空間物理系にまたがる両方のアプローチを評価する枠組みを開発することで解決される。 確率的エミュレーションの信頼性を予測区間の実証的カバレッジを検査し,精度と計算効率の指標も検討した。 CRPSで訓練されたアンサンブルは、シングルステップの予測と自動回帰のロールアウトの両方においてより信頼性の高い不確実性を達成し、潜在空間における生成モデルを訓練する標準的な代替手段よりも優れたカバレッジを示す。 さらに、CRPSアプローチははるかに高速な推論を提供する。 生成モデルは圧縮された潜在空間ではなく、周囲で訓練されるが、高次元問題に対してしばしば有効ではない場合、CRPSで訓練されたアンサンブルに匹敵するカバレッジを示すが、推論遅延はかなり大きい。 対照的に、CRPSで訓練されたアンサンブルが潜在空間で訓練された場合、周囲空間に対するカバレッジの顕著な低下は示さない。 生成モデルとCRPS訓練アンサンブルは、良好な予測精度を示す。 将来の研究と応用を容易にするため,生成モデルとCRPS学習アンサンブルの両方を実装したモジュール型フレームワークであるAutoCastと,高速プロトタイピングのためのフレキシブルデータセット生成パッケージであるAutoSimをリリースする。

関連論文リスト

• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• A Hybrid Intelligent Framework for Uncertainty-Aware Condition Monitoring of Industrial Systems [4.854320235705813]
  本研究は, 一次センサ計測, 時間的特徴, 物理インフォームド残差を統合したハイブリッド状態監視フレームワークを開発した。 2つのハイブリッド統合戦略について検討し、第1に、残差情報と時間情報で入力空間を増強する特徴レベル融合アプローチについて述べる。 2つ目はモデルレベルのアンサンブルアプローチで、異なる機能タイプでトレーニングされた機械学習分類器が決定レベルで結合される。
  論文  参考訳（メタデータ） (2026-04-10T22:22:31Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Conformal prediction for full and sparse polynomial chaos expansions [0.5735035463793009]
  多項カオス拡張(PCE)は、代理モデルにおける効率的な計算性能で広く認識されている。 そこで本研究では,完全共形とJackknife+アプローチという2つの共形予測手法を,完全なPCEとスパースPCEの両方に統合する。
  論文  参考訳（メタデータ） (2026-01-23T10:46:46Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
  同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。 本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
  論文  参考訳（メタデータ） (2024-05-23T13:37:26Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。