論文の概要: Graphical conditional generative modeling for digital twin modeling

• arxiv url: http://arxiv.org/abs/2606.16219v1
• Date: Mon, 15 Jun 2026 04:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.089358
• Title: Graphical conditional generative modeling for digital twin modeling
• Title（参考訳）: ディジタル双対モデリングのための図形条件生成モデル
• Authors: Zongren Zou, Théo Bourdais, Ricardo Baptista, Houman Owhadi,
• Abstract要約: 観測データから擬似代理モデルを構築するためのフレームワークを提案する。 我々は,どの入力候補が対象量の完全条件法則に影響を及ぼすかを,条件平均に限らず同定する。 制御設定では、このメソッドは遷移モデルだけでなく、状態アクションや学習した力学を効果的にマルコビアンにするために必要なメモリ変数も識別する。
• 参考スコア（独自算出の注目度）: 7.0264064660746754
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital twin modeling, including control and data assimilation under model uncertainty, often faces an open-ended fidelity problem: adding variables, data streams, and time scales can indefinitely increase model complexity, ultimately producing systems that are difficult to maintain, validate, interpret, and use for stress or safety testing. As an alternative, one can seek parsimonious stochastic surrogate models built only on the variables needed to describe the relevant quantities of interest. We introduce a framework for discovering such variables from observational data by identifying which candidate inputs influence the full conditional law of a target quantity, rather than only its conditional mean. This distinction is essential in stochastic, coarse-grained, or partially observed systems, where dependencies may appear through changes in variability, tail behavior, multimodality, or uncertainty rather than through deterministic functional relationships. The framework couples conditional generative modeling, which learns the conditional distribution of the target given candidate inputs, with Gaussian-process-based analysis of variance (through kernel mode decomposition), which enables iterative pruning of non-influential inputs and interpretable structure discovery. In control settings, the resulting surrogate can be interpreted as a learned Markov decision process: the method identifies not only a transition model, but also the state, action, and memory variables needed to make the learned dynamics effectively Markovian. Across examples involving stochastic dynamical systems, missing variables, PDE control, reinforcement learning, and economic data, the discovered structures yield interpretable stochastic surrogates whose downstream performance is comparable to models trained on the full variable set.
• Abstract（参考訳）: 変数、データストリーム、時間スケールを追加することは、モデルの複雑さを無限に増加させ、究極的には維持、検証、解釈、ストレスや安全性テストに使用するのが難しいシステムを生成する。 代替として、関連する関心の量を記述するのに必要な変数のみに基づいて構築された擬似確率的代理モデルを求めることができる。 観測データから,どの入力が対象量の条件法則に影響を及ぼすかを特定することによって,そのような変数を発見するためのフレームワークを提案する。 この区別は、確率的、粗い、あるいは部分的に観察されるシステムにおいて必須であり、従属は、決定論的機能関係ではなく、変動性、尾の挙動、多様性、不確実性の変化によって現れる。 このフレームワークは、対象の候補入力の条件分布を学習する条件生成モデルと、分散のガウス過程に基づく解析(カーネルモード分解)を組み合わせ、非知能入力の反復的プルーニングと解釈可能な構造発見を可能にする。 制御設定では、結果として得られるサロゲートは、学習されたマルコフ決定プロセスとして解釈することができる: このメソッドは、遷移モデルだけでなく、学習された力学を効果的にマルコフ決定するために必要な状態、動作、メモリ変数も識別する。 確率力学系、欠落変数、PDE制御、強化学習、経済データを含む全ての例において、検出された構造は、完全な変数集合で訓練されたモデルに匹敵するダウンストリーム性能を持つ解釈可能な確率的サロゲートを生成する。

関連論文リスト

• Uncertainty-Aware Sparse Identification of Dynamical Systems via Bayesian Model Averaging [3.8406608036585035]
  我々は,コンポーネントを結合した動的システムのためのスパース識別フレームワークを開発した。 このフレームワークは,不確実性を定量化してスパース相互作用構造を正確に復元することを示す。 これらの結果は、動的モデルのデータ駆動的な発見におけるベイズの不確実性定量化の重要性を強調している。
  論文  参考訳（メタデータ） (2026-04-12T23:19:23Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• Identifiable Representation and Model Learning for Latent Dynamic Systems [0.0]
  本稿では,潜在力学系における表現とモデル学習の問題について検討する。 線形およびアフィン非線形潜時力学系にスパース入力行列を持つ場合、潜時変数をスケーリングまで同定できることを証明した。
  論文  参考訳（メタデータ） (2024-10-23T13:55:42Z)
• Amortized Probabilistic Conditioning for Optimization, Simulation and Inference [20.314865219675056]
  Amortized Conditioning Engine (ACE) 興味のある潜伏変数を明示的に表現するトランスフォーマーベースのメタラーニングモデル。 ACEは、観測されたデータと解釈可能な潜伏変数の両方、実行時のプリエントを含めることができ、離散的かつ連続的なデータと潜伏変数の予測分布を出力する。
  論文  参考訳（メタデータ） (2024-10-20T07:22:54Z)
• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
  確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。 我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。 まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
  論文  参考訳（メタデータ） (2020-08-19T16:04:34Z)

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。