Fugu-MT 論文翻訳(概要): Bidirectional Autoregressive Latent Diffusion for Forward and Inverse Magnetohydrodynamics

論文の概要: Bidirectional Autoregressive Latent Diffusion for Forward and Inverse Magnetohydrodynamics

arxiv url: http://arxiv.org/abs/2606.29620v1
Date: Sun, 28 Jun 2026 21:57:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.984162
Title: Bidirectional Autoregressive Latent Diffusion for Forward and Inverse Magnetohydrodynamics
Title（参考訳）: 前向きと逆向きの磁気流体力学における双方向自己回帰遅延拡散
Abstract要約: この二方向流は不確実性と誤差推定のための自己教師付き整合性指標として利用できることを示す。また、この手法が非侵襲的なプラズマ診断として機能する可能性を示し、モデルをより堅牢にするために適応的なフィードバックをどのように利用できるかを示す。
参考スコア（独自算出の注目度）: 51.56484100374058
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work presents a new bidirectional autoregressive latent diffusion approach for predicting the evolution of multiple fields (mass density, pressure, velocity, and magnetic field components) for magnetohydrodynamics. We show that this bidirectional flow can be used as a self-supervised consistency metric for uncertainty and error estimation, which enables the model to estimate test-time uncertainty and error without access to ground truth, by comparing how closely flowing forwards and backwards in time returns to the same predicted fields. We also demonstrate this methods's potential to serve as a non-invasive plasma diagnostic, and show how adaptive feedback can be used to make the model more robust based on sparse diagnostics or limited views/measurements.
Abstract（参考訳）: 本研究は, 磁気流体力学における複数の磁場(質量密度, 圧力, 速度, 磁場成分)の進化を予測するための新しい双方向自己回帰潜在拡散法を提案する。この二方向流は不確実性および誤差推定のための自己教師付き整合性指標として利用でき、このモデルが真理にアクセスせずにテスト時間不確かさとエラーを推定できることを示す。また, この手法が非侵襲的なプラズマ診断として機能する可能性を示し, スパース診断や限られたビュー/測定に基づいて, モデルをより堅牢にするために, 適応的なフィードバックをいかに活用できるかを示す。

関連論文リスト

Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows [0.0]
重み付けされた重要度サンプリングを訓練した正規化フローを用いたアモータイズ後推定手法を提案する。本手法は,2次元および3次元のマルチモーダルベンチマークタスクに実装し,有効性を確認する。
論文参考訳（メタデータ） (2025-12-04T16:22:53Z)
Efficient Probabilistic Visualization of Local Divergence of 2D Vector Fields with Independent Gaussian Uncertainty [3.2999490997091265]
拡散は流体の基本的な特性の1つである。ベクトル場データに固有の不確かさは、誤発散計算につながる可能性がある。我々はモンテカルロサンプリング手法の緩やかな収束と限られたスケーラビリティの課題に対処する2つのコントリビューションを提案する。
論文参考訳（メタデータ） (2025-08-21T18:16:17Z)
When and how can inexact generative models still sample from the data manifold? [2.4664553878979185]
スコア関数やドリフトベクトル場における学習誤差にもかかわらず、生成されたサンプルはデータ分布の支持を強調させるが、それから強調しないように見える。我々は、上のリャプノフベクトルとデータ多様体の境界に沿った接空間とのアライメントがロバスト性をもたらすことを示す。
論文参考訳（メタデータ） (2025-08-11T03:24:34Z)
How and Why: Taming Flow Matching for Unsupervised Anomaly Detection and Localization [15.283777345273089]
時間反転フローマッチングの概念をベクトル場回帰として定式化する。線形確率経路を持つFMは本質的に非可逆であることを示す。本研究は,非教師付き異常検出タスクに対するFMの最初の成功例を示す。
論文参考訳（メタデータ） (2025-08-07T15:02:07Z)
Training-Free Stein Diffusion Guidance: Posterior Correction for Sampling Beyond High-Density Regions [46.59494117137471]
自由拡散誘導の訓練は、追加の訓練なしに既成の分類器を活用する柔軟な方法を提供する。本稿では,SOC を対象とする新たなトレーニングフリーフレームワークである Stein Diffusion Guidance (SDG) を紹介する。分子低密度サンプリングタスクの実験は、SDGが標準のトレーニングフリーガイダンス手法を一貫して上回っていることを示唆している。
論文参考訳（メタデータ） (2025-07-07T21:14:27Z)
Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文参考訳（メタデータ） (2025-06-03T09:29:47Z)
FlowMo: Variance-Based Flow Guidance for Coherent Motion in Video Generation [51.110607281391154]
FlowMoは、テキスト・ビデオ・モデルにおける動きコヒーレンスを高めるためのトレーニング不要のガイダンス手法である。時間次元のパッチワイドな分散を測定して動きのコヒーレンスを推定し、サンプリング中にこの分散を動的に減少させるためにモデルを導く。
論文参考訳（メタデータ） (2025-06-01T19:55:33Z)
Inferring Parameter Distributions in Heterogeneous Motile Particle Ensembles: A Likelihood Approach for Second Order Langevin Models [0.8274836883472768]
実験によって得られた時間離散軌道データから,動作パターンを理解し,予測するために推論手法が必要である。非線形二階ランゲヴィンモデルの確率を近似する新しい手法を提案する。これにより、アクティブに駆動されたエンティティのための動的モデルの体系的、データ駆動推論の道を開いた。
論文参考訳（メタデータ） (2024-11-13T15:27:02Z)
Variational Diffusion Posterior Sampling with Midpoint Guidance [19.43399234028389]
State-of-the-artアプローチは、後部をターゲットとする代理拡散モデルからサンプリングする問題として問題を定式化する。前者は事前学習した拡散モデルのスコアに置き換えられるが、誘導項は推定する必要がある。線形および非線形逆問題に対する広範な実験を通じて提案手法を検証する。
論文参考訳（メタデータ） (2024-10-13T18:03:53Z)
Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文参考訳（メタデータ） (2024-03-10T04:16:04Z)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
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。