論文の概要: PhysAttNet: Enhancing Predictive Performance in Industrial and Astrophysical Time Series via Physics-Informed Attention

• arxiv url: http://arxiv.org/abs/2608.07681v1
• Date: Fri, 07 Aug 2026 18:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.474842
• Title: PhysAttNet: Enhancing Predictive Performance in Industrial and Astrophysical Time Series via Physics-Informed Attention
• Title（参考訳）: PhysAttNet:物理インフォームド・アテンションによる産業・宇宙物理時系列の予測性能向上
• Abstract要約: PhysAttNetは、時系列予測のための物理インフォームドアテンションフレームワークである。 ドメインインフォームド・レギュラー化によって誘導される注目ヘッドを備えた軽量CNN予測器を増強する。 構造的に重要なイベントの予測精度、一般化、予測性能を改善する。
• 参考スコア（独自算出の注目度）: 2.4965742139895313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and robust time series forecasting is essential in many applications involving physical processes, such as manufacturing monitoring and astrophysical event detection. In these settings, predictive models must remain reliable under noise, variability, and measurement uncertainty while capturing temporally localized structures corresponding to physically meaningful events. Convolutional neural networks (CNNs) are widely used for such tasks due to their computational efficiency and strong representational capacity. However, their learned temporal representations often exhibit unstable or physically inconsistent attention patterns, reducing robustness, generalization, and interpretability. This paper introduces PhysAttNet, a physics-informed attention framework for time series forecasting. PhysAttNet augments a lightweight CNN forecaster with an attention head guided by domain-informed regularization reflecting the structural properties of physical signals. Specifically, three complementary constraints are imposed during training: an alignment regularization that encourages attention to follow smooth, peak-centered temporal structures derived from the input signal, a smoothness regularization that enforces continuous temporal evolution, and a sparsity regularization that promotes selective focus on informative intervals. These differentiable regularization terms introduce physics-guided inductive bias without requiring annotated explanations or manual supervision. Experiments on two distinct applications, namely predicting cutting forces during milling and forecasting flares in blazar time series, demonstrate that PhysAttNet improves forecasting accuracy, generalization, and prediction performance on structurally important events.
• Abstract（参考訳）: 正確な時系列予測は、製造監視や天体物理事象検出などの物理プロセスを含む多くの応用において不可欠である。 これらの設定では、予測モデルは、物理的に意味のある事象に対応する時間的局所構造を捉えながら、ノイズ、変動性、測定の不確実性の下で信頼性を保たなければならない。 畳み込みニューラルネットワーク(CNN)はその計算効率と強力な表現能力のために広く使われている。 しかし、彼らの学習した時間的表現はしばしば不安定または物理的に矛盾した注意パターンを示し、堅牢性、一般化、解釈可能性を減らす。 本稿では,時系列予測のための物理インフォームドアテンションフレームワークであるPhysAttNetを紹介する。 PhysAttNetは、物理信号の構造特性を反映したドメイン情報正規化によって誘導される注目ヘッドを備えた軽量CNN予測器を増強する。 具体的には、トレーニング中に3つの補足的制約が課される: 入力信号から誘導されるスムーズでピーク中心の時間構造に注意を向けるアライメント正則化、連続的な時間的進化を強制する滑らかさ正則化、情報的間隔に選択的に焦点をあてるスパーシティ正則化。 これらの微分正則化用語は、注釈付き説明や手動による監督を必要とせず、物理誘導帰納バイアスをもたらす。 ブラザータイムシリーズにおける切断力の予測とフラアの予測という2つの異なる応用の実験により、PhysAttNetは構造的に重要な事象に対する予測精度、一般化、予測性能を改善することを示した。

関連論文リスト

• SPEAR: Structure Property Explainability with Attention Regularization [0.6055934915901143]
  本研究では,SPEAR(Structure Property Explainability with Attention Regularization)について紹介する。 SPEARは注意に基づく回帰を、注意集中を制御する学習可能な温度と、近隣のスペクトル位置のコヒーレンスを強制する滑らかなペナルティで強化する。 注意規則化は, 予測精度を維持しつつ, 因果的特徴に整合したスムーズで連続的な帰属プロファイルを生成することを示す。
  論文  参考訳（メタデータ） (2026-08-13T23:24:43Z)
• DSPR: Dual-Stream Physics-Residual Networks for Trustworthy Industrial Time Series Forecasting [14.844711734126681]
  本研究では,定常時間パターンを状態依存的残留力学から明示的に分離する予測フレームワークを提案する。 DSPRは、システミックシフト時の予測精度とロバストさを一貫して改善する。 平均保存精度は99%を超え、総変量比は97.2%に達する。
  論文  参考訳（メタデータ） (2026-04-08T06:21:10Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Physics-Guided Counterfactual Explanations for Large-Scale Multivariate Time Series: Application in Scalable and Interpretable SEP Event Prediction [0.0]
  本研究は、太陽エネルギー粒子の予測のための物理誘導逆説明フレームワークを導入する。 このフレームワークは、ダイナミック・タイム・ワープ距離の80%以上を削減し、近接性を高め、より疎度の高い反ファクト的説明を生成し、DCEのような最先端のベースラインと比較してランタイムを50%近く削減する。
  論文  参考訳（メタデータ） (2026-01-13T21:48:51Z)
• Defining Energy Indicators for Impact Identification on Aerospace Composites: A Physics-Informed Machine Learning Perspective [0.4104921880358479]
  エネルギー推定は、航空宇宙複合材料に対する影響の同定に重要である。 本研究では、ドメイン知識を機械学習に組み込む物理インフォームドフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-11-03T13:58:03Z)
• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• 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)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Latent State Inference in a Spatiotemporal Generative Model [3.7525506486107267]
  我々は、波動伝播力学を含む温度と気象の過程に注目し、普遍的な原因は空間と時間にわたって適用されると仮定する。 最近導入されたDIsed Stemporal graph Artificial Neural Architecture (DISTANA)を使用して、そのようなプロセスを学ぶ。 DISTANAは、アクティブチューニングと呼ばれる振り返り状態推論原則と組み合わせることで、位置参照型隠れ因果関係を確実に導出できることを示す。
  論文  参考訳（メタデータ） (2020-09-21T12:59:40Z)

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。