論文の概要: APPSolver: Adaptive Patch Partitioning for Point-Wise Ship Flow Prediction on Unstructured Meshes

• arxiv url: http://arxiv.org/abs/2608.29355v1
• Date: Sat, 29 Aug 2026 16:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.941485
• Title: APPSolver: Adaptive Patch Partitioning for Point-Wise Ship Flow Prediction on Unstructured Meshes
• Title（参考訳）: APPSolver:非構造メッシュ上のポイントワイズ船体流予測のための適応パッチ分割
• Abstract要約: Adaptive Patch Partitioning (APP) は船体CFDシミュレーションから抽出した2次元水平スライスに対する決定論的ツリー表現である。 APPは、より細かいパッチを船体の近くに割り当て、より遠くの粗いパッチを割り当て、パッチ内容のサンプルを減らし、完全な参照ポイントセットへの予測を復元する。 典型的な DTC 入力では、APP-Transformer は 1.815 GFLOPs と 1.309 ms のモデル転送を必要とする。
• 参考スコア（独自算出の注目度）: 13.863955944453062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large non-uniform point sets make direct attention-based surrogate modeling costly for ship hydrodynamics. We introduce APPSolver, a point-wise flow-prediction framework built around Adaptive Patch Partitioning (APP), a deterministic quadtree representation for fixed two-dimensional horizontal slices extracted from ship CFD simulations. APP assigns finer patches near the hull and coarser patches farther away, downsamples patch contents, and recovers predictions to the full reference point set. Under a corrected protocol that constructs natural $(t,t+1)$ pairs before splitting, reuses training-set normalization statistics, and reports three model seeds, learned tokenizers are more accurate than APP-Transformer, and a persistence baseline has lower one-step MAE on all three ShipBench hulls. The supported benefit of APP is therefore computational rather than universal predictive superiority: on a representative DTC input, APP-Transformer requires 1.815 GFLOPs and 1.309 ms per model forward, while a matched ablation shows that adaptive partitioning reduces MAE by 16.4-24.9\% relative to a uniform partition augmented with learned slicing. Condition encoders provide setting-dependent gains in leave-one-hull-out evaluation, but the current absolute next-state objective does not establish accurate long-horizon dynamics. These results characterize APP as a compact spatial representation with an explicit accuracy--efficiency trade-off. Code is available at https://github.com/wenhuahuo/APPSolver .
• Abstract（参考訳）: 大型の非一様点集合は、船の流体力学において直接の注意に基づく代理モデリングにコストがかかる。 本稿では,船体CFDシミュレーションから抽出した固定2次元水平スライスに対する決定論的クワッドツリー表現であるAdaptive Patch Partitioning (APP) を中心に構築された点流予測フレームワークであるAPPSolverを紹介する。 APPは、より細かいパッチを船体の近くに割り当て、より遠くの粗いパッチを割り当て、パッチ内容のサンプルを減らし、完全な参照ポイントセットへの予測を復元する。 分割前に自然$(t,t+1)$ペアを構築し、トレーニングセットの正規化統計を再利用し、3つのモデル種を報告する修正プロトコルの下では、学習されたトークン化剤はAPP-Transformerよりも正確であり、永続ベースラインは3つのShipBench船体すべてで1ステップのMAEが低い。 典型的なDTC入力では、APP-Transformerは1.815 GFLOPsと1.309 msのモデル転送を必要とし、マッチしたアブレーションは、学習スライシングで強化された均一なパーティションに対して、適応的パーティショニングがMAEを16.4-24.9 %削減することを示している。 コンディションエンコーダは、残高評価において設定に依存したゲインを提供するが、現在の絶対準状態目的は正確なロングホライズンダイナミクスを確立しない。 これらの結果から,APPは精度-効率トレードオフを明示したコンパクトな空間表現として特徴づけられる。 コードはhttps://github.com/wenhuahuo/APPSolver.comで入手できる。

関連論文リスト

• DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
  DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。 ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。 また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
  論文  参考訳（メタデータ） (2026-07-19T06:54:52Z)
• Adaptive Patching Is Harder Than It Looks For Time-Series Forecasting [11.469701541304737]
  条件下では、コンテンツ適応型パッチ演算子は、チューニングされた均一な演算よりもパフォーマンスがよい。 適応パッチは、調整された均一なベースラインに対して評価されるべきである。
  論文  参考訳（メタデータ） (2026-06-02T15:49:06Z)
• FishBack: Pullback Fisher Geometry for Optimal Activation Steering in Transformers [7.108048394322025]
  アクティベーションステアリング法は、出力の振る舞いを制御するために言語モデルの中間表現を変更するが、アクティベーション空間がユークリッドであることを普遍的に仮定する。 モデル自身の出力挙動によって誘導される局所幾何学は、GPT-2上の相対スペクトルノルムにおいて、ユークリッド計量から97%以上逸脱する。
  論文  参考訳（メタデータ） (2026-05-17T03:00:16Z)
• Hierarchical Transformer Preconditioning for Interactive Physics Simulation [28.137076331332413]
  階層型トランスフォーマープレコンディショナー(Hierarchical Transformer Preconditioner)は、弱い許容率のH行列分割に固定されたニューラルプレコンディショナーである。 ネットワークは低ランクの遠距離因子を通して逆をモデル化する。 高速道路の接続を利用して、奥行きを隔ててコンテキストを伝播する。
  論文  参考訳（メタデータ） (2026-05-13T11:02:27Z)
• Adaptive Sensing beyond Non-Adaptive Information Limits: End-to-End Co-Design of Geometry, Policy, and Inference [0.0]
  本稿では,連続ハードウェア形状に対する単一最適化とベルマン最適適応測定ポリシーを提案する。 3つのケーススタディで、共同DPはコミュニティの自然なベースラインを大きく上回っている。 ハードウェアが一度設計されているが、そのポリシーがデバイスの寿命を延ばすあらゆるセンサーにとって、ハードウェアとポリシーの共同最適化は最小限の原則である。
  論文  参考訳（メタデータ） (2026-04-28T04:02:17Z)
• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• APML: Adaptive Probabilistic Matching Loss for Robust 3D Point Cloud Reconstruction [16.82777427285544]
  点クラウド予測タスクのためのディープラーニングモデルのトレーニングは、予測点と接地真実点の差を測定する損失関数に大きく依存する。 本稿では,一対一マッチングの完全微分可能近似である適応確率マッチング損失(APML)を提案する。 温度を解析的に計算して最小限の確率を保証し、手動チューニングを除去する。
  論文  参考訳（メタデータ） (2025-09-09T19:31:06Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)
• Rate Region for Indirect Multiterminal Source Coding in Federated Learning [49.574683687858126]
  多数のエッジデバイスは、ローカルモデルの各ラウンドでアップデートをエッジに送信します。 既存の作品は、異なるエッジによって送信される情報の焦点を活用しない。 本稿では,間接多端音源符号化 fl のレート領域について検討する。
  論文  参考訳（メタデータ） (2021-01-21T16:17:39Z)

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。