論文の概要: Multivariate Scientific Data Compression with Learned Cross-Variable Latent Decorrelation and Autoregressive Entropy Modeling

• arxiv url: http://arxiv.org/abs/2608.30262v1
• Date: Mon, 31 Aug 2026 05:10:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.243026
• Title: Multivariate Scientific Data Compression with Learned Cross-Variable Latent Decorrelation and Autoregressive Entropy Modeling
• Title（参考訳）: 多変量科学データ圧縮の学習と自己回帰エントロピーモデリング
• Abstract要約: 本稿では,2つの相補的な機構で共有CAESAR-Vバックボーンを増強する,誤り制御多変量学習圧縮機であるCAESAR-LDARを提案する。 トレーニング可能な変換は、アライメントされた遅延チャネル間の依存を再編成し、因果自己回帰階層は変換後に残った局所的な空間構造をキャプチャする。 燃焼、気候、乱流データにわたる実験では、この2つのメカニズムが異なる状況で有用であることが示されている。
• 参考スコア（独自算出の注目度）: 7.75221292147684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific simulations generate collections of physical fields with heterogeneous statistics and dependencies, yet learned compressors often encode those fields independently or rely on a shared encoder without explicitly modeling the structure that remains in latent space. We present CAESAR-LDAR, an error-controlled multivariate learned compressor that augments a shared CAESAR-V backbone with two complementary mechanisms: a trainable orthogonal transform that reorganizes dependence across aligned latent channels, and a causal autoregressive hierarchical prior that captures local spatial structure left after transformation. Orthogonality is maintained through a matrix-exponential parameterization, making the transform exactly invertible without an additional penalty. A common residual-correction stage is applied uniformly to all variants to enforce the requested reconstruction tolerance. Experiments across combustion, climate, and turbulence data show that the two mechanisms are useful in different regimes. Latent decorrelation helps most when substantial linear cross-channel dependence survives the nonlinear encoder, whereas autoregressive modeling remains effective when the remaining structure is primarily local or spatial. Their combination provides the strongest or near-strongest rate-distortion performance across the evaluated datasets. The global transform adds little computational overhead, while autoregressive coding introduces a larger throughput tradeoff. More broadly, the results suggest a practical design principle for multivariate scientific compression: exploit global cross-channel dependence when it is measurably present in latent space, and use local probabilistic context as a complementary mechanism across a wider range of data regimes.
• Abstract（参考訳）: 科学シミュレーションは、不均一な統計と依存関係を持つ物理場の集合を生成するが、学習された圧縮機は、しばしば独立してそれらのフィールドを符号化したり、遅延空間に残る構造を明示的にモデル化することなく共有エンコーダに依存したりする。 本稿では,CAESAR-LDARについて述べる。CAESAR-LDARは,共有CAESAR-Vバックボーンを2つの相補的なメカニズムで強化する多変量学習圧縮機であり,従属チャネル間の依存性を再編成するトレーニング可能な直交変換と,変換後に残った局所空間構造をキャプチャする因果自己回帰階層前処理である。 直交性は行列-指数パラメタライゼーションによって維持され、変換は追加のペナルティなしで正確に逆転する。 共通残差補正段階は、要求された復元耐性を強制するために全ての変種に一様に適用される。 燃焼、気候、乱流データにわたる実験では、この2つのメカニズムが異なる状況で有用であることが示されている。 遅延デコリレーションは、線形チャネル依存が非線形エンコーダを生き残る場合の大部分に役立つが、残りの構造が主に局所的あるいは空間的である場合、自己回帰モデリングは有効である。 それらの組み合わせは、評価されたデータセットをまたいだ最強またはほぼ歪んだ速度歪みのパフォーマンスを提供する。 グローバルトランスフォーメーションでは計算オーバーヘッドが少なくなり、自動回帰コーディングではスループットのトレードオフが大きくなる。 より広範に、この結果は多変量科学圧縮の実践的な設計原則を示唆している: 潜時空間に測定可能に存在するとき、グローバルなチャネル依存性を利用して、より広い範囲のデータレシスタンスにわたって、局所確率的コンテキストを補完メカニズムとして利用する。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators [2.376629619475859]
  自律型空中マニピュレータ(AAM)は本質的に非定常・多スケール残留力学を示す非線形系である。 本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-12T08:02:43Z)
• Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
  PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。 本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-10T14:31:53Z)
• ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting [6.27761817493579]
  時系列予測(TSF)は、複雑なチャネル内時間依存性とチャネル間相関をモデル化する際の課題に直面している。 本稿では,線形射影の効率を,畳み込みの非線形特徴抽出力と整合させるアーキテクチャであるACFormerを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:47:54Z)
• Learning Causality for Longitudinal Data [1.2691047660244335]
  この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。 最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。 第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。 第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
  論文  参考訳（メタデータ） (2025-12-04T16:51:49Z)
• Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
  Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。 Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
  論文  参考訳（メタデータ） (2025-11-18T16:24:05Z)
• Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
  本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。 空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-06-24T00:56:21Z)
• Transformers Are Universally Consistent [14.904264782690639]
  ソフトマックスに基づく非線形アテンションを備えたトランスフォーマーは,最小二乗の回帰処理を行う場合,一様に整合性を示す。 我々は経験的誤差の上限を導出し、この条件下では$mathcalO(t-1/2d)$の証明可能な速度で減衰し、$t$は入力トークンの数を表し、$d$は埋め込み次元を表す。
  論文  参考訳（メタデータ） (2025-05-30T12:39:26Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)

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。