Fugu-MT 論文翻訳(概要): KFTD: Koopman-Fourier Time-Differentiable Network for Continuous Ocean Spatiotemporal Forecasting

論文の概要: KFTD: Koopman-Fourier Time-Differentiable Network for Continuous Ocean Spatiotemporal Forecasting

arxiv url: http://arxiv.org/abs/2606.17070v1
Date: Sat, 06 Jun 2026 03:53:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-21 20:00:42.782772
Title: KFTD: Koopman-Fourier Time-Differentiable Network for Continuous Ocean Spatiotemporal Forecasting
Title（参考訳）: KFTD: 連続海洋時空間予測のためのクープマン・フーリエ時間差ネットワーク
Authors: Qinghui Chen, Zekai Zhang, Hailong Liu, Jinglin Zhang, Cong Bai,
Abstract要約: 時相連続2段階パラダイムであるKFTD(Time-Differentiable Network)を提案する。軽量残留ネットワークは、最終予測を得るために高忠実度中間状態を消費する。拡散モデルとは異なり、KFTDDEはマルチステップノイズをサンプリングし、連続的にシステムを進化させ、4つの計算スピードアップをもたらす。
参考スコア（独自算出の注目度）: 29.65266366119026
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate oceanic forecasting is critical for climate monitoring and disaster early warning. However, ocean spatiotemporal forecasting encounters the double challenges of modeling complex dynamical systems and ensuring computational efficiency. We present Koopman Fourier Time-Differentiable (KFTD) Network, a time continuous twostage paradigm that decouples interpolation from prediction to achieve efficient and scalable spatiotemporal modeling. We map complex nonlinear dynamics into the Koopman linear space and exploit Fourier analysis to enable continuous time interpolation at arbitrary sub-steps. A lightweight residual network consumes the high fidelity intermediate states to yield the final forecast. Unlike diffusion models, KFTD eliminates multi step noise sampling and directly evolves the system in continuous time, yielding a 4 computational speedup. We further introduce a DPP Loss that supports arbitrary PDE constraints in an endtoend manner, breaking the physical consistency bottleneck of pure data-driven approaches. Empirical results on four ocean datasets confirm that our continuous time framework reduces MSE by an average of 5.6% (up to 12.7% for SST) and improves efficiency over MCVD by 76.25%.
Abstract（参考訳）: 正確な海洋予報は、気候モニタリングと災害早期警戒に不可欠である。しかし、海洋時空間予測は複雑な力学系をモデル化し、計算効率を確保するという2つの課題に直面する。提案するKFTD(Koopman Fourier Time-Differentiable)ネットワークは,相互補間を予測から切り離し,効率的かつスケーラブルな時空間モデリングを実現するための時間連続2段階パラダイムである。複素非線形ダイナミクスをクープマン線型空間に写像し、フーリエ解析を利用して任意の部分ステップでの連続時間補間を可能にする。軽量残留ネットワークは、最終予測を得るために高忠実度中間状態を消費する。拡散モデルとは異なり、KFTDはマルチステップノイズサンプリングを排除し、連続的にシステムを進化させ、4つの計算スピードアップをもたらす。さらに、DPPロスを導入し、任意のPDE制約をエンドツーエンドでサポートし、純粋なデータ駆動アプローチの物理的一貫性のボトルネックを突破する。 4つの海洋データセットの実証結果は、我々の連続時間フレームワークが平均5.6%(SSTは最大12.7%)のMSIを削減し、MCVDよりも76.25%効率を向上していることを確認した。

関連論文リスト

LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文参考訳（メタデータ） (2026-05-11T09:54:02Z)
End-to-end data-driven prediction of urban airflow and pollutant dispersion [1.3874486202578666]
本研究の目的は, 意思決定者を支援するため, 都市汚染物質分散の迅速かつ正確なモデルを開発することである。道路キャニオンにおける気流と汚染物質分散のモデル化と予測を行うために, エンドツーエンドのデータ駆動方式を提案する。その結果, 時間的地平線上での時間的および統計的に定常な場予測において, モデルの有効性が示された。
論文参考訳（メタデータ） (2026-03-18T11:19:13Z)
Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。 CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。このモデルでは,数値解法よりも高速な推定が可能である。
論文参考訳（メタデータ） (2026-03-05T09:39:44Z)
SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms [6.921143850808118]
周波数領域の時間-時間波分解を統合した新しいスペクトル融合フレームワークを提案する。複雑なキャリブレーションに頼ることなく、IMUデータを介してリアルタイムに予測を洗練する。 3.2cmの予測誤差、4.46cmの着陸偏差、98.7% / 87.5%の成功率(2000/実世界)、82msの組込みハードウェアの遅延を達成し、44%-48%の精度で最先端の手法より優れている。
論文参考訳（メタデータ） (2026-02-17T15:03:05Z)
Temporal Pair Consistency for Variance-Reduced Flow Matching [13.328987133593154]
TPC(Temporal Pair Consistency)は、同じ確率経路に沿ってペア化された時間ステップで速度予測を結合する軽量な分散還元原理である。フローマッチング内で確立されたTPCは、複数の解像度でCIFAR-10とImageNetのサンプル品質と効率を改善する。
論文参考訳（メタデータ） (2026-02-04T00:05:21Z)
CFO: Learning Continuous-Time PDE Dynamics via Flow-Matched Neural Operators [9.273461312644345]
連続フロー演算子(Continuous Flow Operator, CFO)は、標準的な連続アプローチであるニューラルODEの計算負担を伴わずに、連続時間PDEダイナミクスを学習する。 CFOは時相スプラインを軌跡データに適合させ、結び目における時間微分の有限差分推定を用いて、真のPDE力学に近似した速度の確率経路を構築する。ニューラル作用素はフローマッチングによってトレーニングされ、これらの解析速度場を予測する。
論文参考訳（メタデータ） (2025-12-04T22:33:29Z)
Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。時間的整合性を利用する2つの相補的手法を導入する。
論文参考訳（メタデータ） (2025-08-12T17:59:57Z)
MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
論文参考訳（メタデータ） (2025-01-27T12:15:51Z)
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。