論文の概要: Mitigating Spectral Bias in Neural Operators for Underwater Transmission Loss Prediction

• arxiv url: http://arxiv.org/abs/2608.18141v1
• Date: Wed, 05 Aug 2026 13:01:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.991225
• Title: Mitigating Spectral Bias in Neural Operators for Underwater Transmission Loss Prediction
• Title（参考訳）: 水中透過損失予測のためのニューラル演算子におけるスペクトルバイアスの緩和
• Abstract要約: 水中音響伝達損失を迅速かつ正確に予測することは、リアルタイムの海洋音響応用に不可欠である。 FNOの周波数乱れ機構は高周波成分をフィルタし、過度に滑らかな予測をもたらす。 本稿では,この制限を克服するためのスペクトル空間残差学習(S2RL)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.06731446327074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting underwater acoustic transmission loss rapidly and accurately is crucial for real-time ocean acoustic applications. While Fourier Neural Operators (FNO) have emerged as powerful surrogate models due to their global receptive fields, they suffer from spectral bias. The frequency truncation mechanism in FNO filters out high-frequency components, resulting in over-smoothed predictions that fail to capture fine-grained interference patterns. To overcome this limitation, this paper proposes a Spectral-Spatial Residual Learning (S2RL) framework. S2RL decomposes the prediction task into a coarse-to-fine process: a spectral Global Propagator first generates a globally consistent prediction, and a spatial Local Refiner subsequently recovers the high-frequency residuals. Experimental results on a South China Sea dataset show that the proposed method significantly outperforms FNO baselines while maintaining millisecond-level inference speeds.
• Abstract（参考訳）: 水中音響伝達損失を迅速かつ正確に予測することは、リアルタイムの海洋音響応用に不可欠である。 フーリエ・ニューラル・オペレーター(FNO)は、グローバルな受容場のために強力な代理モデルとして登場したが、スペクトルバイアスに悩まされている。 FNOの周波数乱れ機構は高周波成分をフィルタリングし、細粒な干渉パターンを捉えるのに失敗する過度に滑らかな予測をもたらす。 この制限を克服するために,S2RL(Spectral-Spatial Residual Learning)フレームワークを提案する。 S2RLは、予測タスクを粗大なプロセスに分解し、スペクトルグローバルプロパゲータはまず、グローバルに一貫した予測を生成し、空間ローカルリファイナはその後、高周波残差を回復する。 南シナ海データセットによる実験結果から,提案手法はミリ秒レベルの推論速度を維持しながらFNOベースラインを著しく上回ることがわかった。

関連論文リスト

• SpecGradFilter: A Spectral Gradient Filtering Framework for Taming Federated Heterogeneity [57.84199526590779]
  フェデレートラーニング(FL)は、非ID分散(非IID)データがクライアントのドリフトを誘導し、グローバルな収束を阻害する統計的不均一性によって根本的に挑戦される。 本研究では,新しい周波数領域の観点からクライアントのドリフトを再考し,Drift のスペクトルバイアスを明らかにする。 そこで本研究では,低周波信号の不一致を抑えることで不均一性を解消するスペクトルフィルタリンググラディエント・フレームワークであるSpecGradFilterを提案する。
  論文  参考訳（メタデータ） (2026-07-05T09:23:35Z)
• Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting [21.300422393514804]
  本稿では,現在放送を進行周波数分離改良として再編成する決定論的枠組みを提案する。 SDIRはまず安定な低周波合成骨格を抽出し、次いで物理的制約下で高周波テクスチャを反復的に洗練する。 3つのベンチマークで実験したところ、SDIRは空間精度でSOTA法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-01T07:34:30Z)
• SFP: Real-World Scene Recovery Using Spatial and Frequency Priors [84.27251794411673]
  シーンリカバリは様々なコンピュータビジョンアプリケーションにとって重要なタスクである。 本研究では,現実のシーンを再現するための空間的・周波数的優先度(SFP)を提案する。
  論文  参考訳（メタデータ） (2025-12-09T05:24:25Z)
• SONAR: Spectral-Contrastive Audio Residuals for Generalizable Deepfake Detection [6.042897432654865]
  Spectral-cONtrastive Audio Residuals (AR)は、ディープフェイクオーディオ検出器のための周波数誘導フレームワークである。 ARは音声信号を補完表現に切り離す。 ASVspoof 2021およびin-the-wildベンチマークで評価した。
  論文  参考訳（メタデータ） (2025-11-26T12:16:38Z)
• Turb-L1: Achieving Long-term Turbulence Tracing By Tackling Spectral Bias [43.0262112921538]
  本稿では,革新的な乱流予測法であるTurb-L1を提案する。 クロススケールな相互作用を正確に捉え、高周波力学の忠実さを保っている。 長期的な予測では、平均正方形誤差(MSE)を80.3%、構造類似度(SSIM)をSOTAベースラインと比較して9ドル以上値下げする。
  論文  参考訳（メタデータ） (2025-05-25T08:38:55Z)
• LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators [20.77877474840923]
  高周波情報は機械学習における重要な課題である。 ディープニューラルネットワークは、低周波成分の学習に対するいわゆるスペクトルバイアスを示す。 放射結合スペクトル誤差に基づく新しい周波数感受性損失項を提案する。
  論文  参考訳（メタデータ） (2025-04-05T19:35:04Z)
• Long-Term Prediction Accuracy Improvement of Data-Driven Medium-Range Global Weather Forecast [5.284452133959932]
  長期的反復予測を改善するために、Spherical Harmonic Neural Operator (SHNO)と呼ばれる普遍的神経オペレータが導入された。 SHNOは球面の高調波基底を用いて球面データの歪みを緩和し、異なるスケールでスプリアス相関によって生じるスペクトルバイアスを補正するためにゲート残留スペクトルアテンション(GRSA)を用いる。 本研究は,長期予測の精度を向上させるため,SHNOの利点と可能性を強調した。
  論文  参考訳（メタデータ） (2024-06-26T02:06:27Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)

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。