論文の概要: Phys-JEPA: Physics-Informed Latent World Models for Multivariate Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.16076v1
• Date: Mon, 15 Jun 2026 00:22:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.021933
• Title: Phys-JEPA: Physics-Informed Latent World Models for Multivariate Time-Series Forecasting
• Title（参考訳）: Phys-JEPA:多変量時系列予測のための物理インフォームド潜在世界モデル
• Abstract要約: Phys-JEPAは、予測状態が物理的および残留成分に分解される潜在世界モデルを学ぶ。 静的潜時一貫性は H=24 と H=48 で最強であり、完全な Phys-JEPA は H=192 でベストアグリゲーションとターゲット変数 MSE を与える。 これらの初期の結果は、出力空間から潜在予測状態空間への物理インフォームド学習の移動が、解釈可能な時間的世界モデルにとって有望な方向であることを示唆している。
• 参考スコア（独自算出の注目度）: 28.400345187461085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate forecasting in physical systems requires models that predict coupled temporal variables while preserving meaningful state evolution. Deep forecasters can fit temporal correlations, and physics-informed models can regularize predictions with scientific constraints, but these directions are often connected only at the decoded-output level. As a result, the hidden predictive state that generates future trajectories may remain statistically useful but physically unstructured. We introduce Phys-JEPA, a physics-informed joint-embedding predictive architecture for multivariate time-series forecasting. Phys-JEPA learns a latent world model in which predictive states are decomposed into physical and residual components, and physical consistency is imposed directly on latent states and latent transitions rather than only on decoded forecasts. This formulation uses known physical variables to organize the representation space while retaining residual capacity for unresolved dynamics. On Jena Climate 2009--2016, Phys-JEPA reduces aggregate MSE from 0.12482 to 0.12273 and temperature MSE from 0.01892 to 0.01831 at H=24. On Traffic, full Phys-JEPA improves aggregate MSE over the supervised baseline across all tested horizons, reducing H=192 MSE from 0.800784 to 0.773873. On Electricity, the best variant depends on horizon: static latent consistency is strongest at H=24 and H=48, while full Phys-JEPA gives the best aggregate and target-variable MSE at H=192. These initial results suggest that moving physics-informed learning from output space to latent predictive state space is a promising direction for interpretable temporal world models.
• Abstract（参考訳）: 物理系における多変量予測は、有意義な状態進化を保ちながら結合時間変数を予測するモデルを必要とする。 深層予測器は時間的相関に適合し、物理インフォームドモデルは科学的制約で予測を規則化することができるが、これらの方向は復号出力レベルでのみ接続されることが多い。 結果として、将来の軌道を生成する隠れた予測状態は、統計的には有用だが物理的には非構造のままである。 本稿では,多変量時系列予測のための物理インフォームド共同埋め込み予測アーキテクチャであるPhys-JEPAを紹介する。 Phys-JEPAは、予測状態が物理的および残留成分に分解される潜時世界モデルを学び、物理的整合性はデコードされた予測だけでなく、潜時状態や潜時遷移に直接課される。 この定式化は既知の物理変数を用いて表現空間を整理し、未解決力学の残余容量を維持している。 ジェナ・気候2009-2016では、Phys-JEPAは総合MSEを0.12482から0.12273に減らし、温度MSEを0.01892から0.01831に減らした。 交通機関では、完全なPhys-JEPAは全ての試験地平線を横断する教師付きベースライン上の集合MSEを改善し、H=192MSEを0.800784から0.773873に削減する。 静遅延一貫性は H=24 と H=48 で最強であり、完全な Phys-JEPA は H=192 でベストアグリゲーションとターゲット変数 MSE を与える。 これらの初期の結果は、出力空間から潜在予測状態空間への物理インフォームド学習の移動が、解釈可能な時間的世界モデルにとって有望な方向であることを示唆している。

関連論文リスト

• JEPA-x: Cross-Predictive Physics Grounding for Forecastable Latent Dynamics [9.006010556484968]
  自己予測モデルでは、エンコーダと予測器は共同で最適化され、潜伏遷移に適応することができる。 我々は、特権的物理軌道の潜在ダイナミクスを基盤とするクロス予測型JEPA(JEPA-x)を紹介する。
  論文  参考訳（メタデータ） (2026-08-25T04:07:07Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Benchmarking Scientific Machine Learning Models for Air Quality Data [0.0]
  本研究は、ガイドラインと提案された物理誘導型最良のモデルを可能にする、説明可能で包括的なベンチマークを示す。 2022年から2024年にかけて、米国環境保護庁(EPA)による大気質データの日次観測を用いて、PM2.5とO3の都市レベルの時系列をキュレートする。 最適モデルのベンチマークには、線形回帰(LR)、SARIMAX、多層パーセプトロン(MLP)、LSTMネットワークが評価されている。
  論文  参考訳（メタデータ） (2026-03-22T03:31:24Z)
• Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings [11.259108118025736]
  急激な成層圏温暖化(SSWs)は、季節的な予測可能性の主要な源であり、極端な冬の天候の要因である。 本稿では,フローマッチングに基づく生成AIモデル(FM-Cast)を開発した。 FM-Castは10イベントの開始、強度、形態を20日前に正確に予測し、50%以上のアンサンブル精度を達成する。
  論文  参考訳（メタデータ） (2025-10-30T11:16:22Z)
• Physics-Guided Learning of Meteorological Dynamics for Weather Downscaling and Forecasting [19.41746149629991]
  天気予報は必須であるが、計算集約的で物理的に不完全なままである。 我々は物理方程式と潜在力化をデータ駆動モデルに統合する物理誘導ディープラーニングフレームワークであるPhyDL-NWPを提案する。 実験の結果,PhyDL-NWPは予測性能と物理的整合性の両方を改善した。
  論文  参考訳（メタデータ） (2025-05-20T16:13:20Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling [24.848981502799244]
  天気予報には、数値気象予報(WP)とディープラーニング予測(DLP)の2つのパラダイムがある。 WPは気象モデリングに大気物理学を利用するが、データ利用の低さと計算コストに悩まされている。 DLPは大量のデータから直接気象パターンを学習できるが、物理法則を組み込むのに苦労している。 我々はDeepPhysiNetフレームワークを導入し、物理法則をディープラーニングモデルに組み込んで、正確かつ連続的な気象システムモデリングを行う。
  論文  参考訳（メタデータ） (2024-01-04T05:05:16Z)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• Physion++: Evaluating Physical Scene Understanding that Requires Online Inference of Different Physical Properties [100.19685489335828]
  この研究は、人工システムにおける視覚的身体的予測を厳格に評価する新しいデータセットとベンチマークであるPhysylon++を提案する。 正確な予測が質量、摩擦、弾性、変形性などの特性の推定に依存するシナリオをテストする。 我々は,様々なレベルの学習と組込み知識にまたがる最先端予測モデルの性能を評価し,その性能を人間の予測と比較した。
  論文  参考訳（メタデータ） (2023-06-27T17:59:33Z)

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。