論文の概要: Structured Extrema Errors in Classical Surrogates for Viscous Burgers: A Physics-Consistent Interpretation
- arxiv url: http://arxiv.org/abs/2609.07952v1
- Date: Mon, 07 Sep 2026 20:17:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.509586
- Title: Structured Extrema Errors in Classical Surrogates for Viscous Burgers: A Physics-Consistent Interpretation
- Title（参考訳）: 粘性バーガーの古典的サロゲートにおける構造的エクストリーム誤差:物理学的一貫した解釈
- Abstract要約: 粘性バーガース方程式の時間発展を近似した機械学習サロゲートモデルの局所誤差について検討した。
4つのモデル全体において、ここで定義されている1ステップ残差は、各格子点における予測値を無視する真の値として定義され、予測された最大値と最小値の近くに明確な曲線の枝を形成する。
KRRのより詳細な分析により、これらの誤差は第1の空間微分よりも局所曲率を測定する第2の空間微分と強く関連していることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the local errors of classical machine-learning surrogate models, which approximate the time evolution of the one-dimensional viscous Burgers equation. Four models are compared on the same prediction task, using the spatial grid values directly: radial basis function (RBF) kernel ridge regression (KRR), linear Ridge, ExtraTrees, and Random Forests. Across all four models, the one-step residual, defined here as the true value minus the predicted value at each grid point, forms clear curved branches near predicted maxima and minima. A more detailed analysis of KRR shows that these errors are much more strongly related to the second spatial derivative, which measures local curvature, than to the first spatial derivative. Near a smooth extremum, predicted value and curvature form a local two-branch fold. Under our local curvature-based model of the residual, this fold predicts a leading-order near-parabolic relation between predicted value and residual. This geometric result motivates a direct test of the Burgers advection (transport) and diffusion (smoothing) terms. For KRR and Ridge, regression tests on held-out trajectories, a control that breaks the spatial alignment of the diffusion term, and a spectral test of high-frequency content are consistent with insufficient viscous smoothing at moderate and high viscosity. In this case, the surrogate retains more small-scale structure than the true future state. The same physical explanation is much weaker for the tree models. Finally, a correction that uses only predicted quantities reduces both one-step error and error during recursive rollout, where each prediction is used as the next input.
- Abstract（参考訳）: 本研究では,一次元粘性バーガース方程式の時間発展を近似した古典的機械学習サロゲートモデルの局所誤差について検討する。
放射基底関数(RBF)カーネルリッジ回帰(KRR)、線形リッジ(英語版)、エクストラトリーズ(英語版)、ランダムフォレスト(英語版)の4つのモデルを比較する。
4つのモデル全体において、ここで定義されている1ステップ残差は、各格子点における予測値を無視する真の値として定義され、予測された最大値と最小値の近くに明確な曲線の枝を形成する。
KRRのより詳細な分析により、これらの誤差は第1の空間微分よりも局所曲率を測定する第2の空間微分と強く関連していることが示された。
滑らかな極端近傍では、予測値と曲率が局所的な2枝折りを形成する。
局所曲率に基づく残差モデルでは, 予測値と残差との先行-次近放物的関係を予測できる。
この幾何学的な結果は、バーガーズ対流(輸送)と拡散(平滑化)の項を直接テストする動機となっている。
KRRとリッジでは、保持軌道上の回帰試験、拡散項の空間的アライメントを破る制御、高周波成分のスペクトル試験は、中等度で高粘度で平滑な不十分な粘度と一致している。
この場合、サロゲートは真の将来の状態よりも小さな構造を保っている。
同じ物理的説明は、ツリーモデルにとってずっと弱い。
最後に、予測量のみを使用する補正は、再帰的なロールアウト時に1ステップのエラーとエラーの両方を減らし、各予測を次の入力として使用する。
関連論文リスト
- Optimal estimation for Functional Linear Regression with Noisy Discretized Data [0.0]
基礎となる曲線は、離散ノイズ観測から再構成される。
傾斜関数は、有限次元三角空間上の最小二乗基準により推定される。
提案手法は,シミュレーションデータと実際の気象データに基づいて記述する。
論文 参考訳（メタデータ） (2026-09-08T12:37:10Z) - Predicting When Random Low-Dimensional Reparameterizations Train Neural Networks [3.980892205755342]
本稿では、曲率スペクトルと基準解の変位プロファイルの両方からランダムスライス残差を予測できる配向分解2次マスター式を提案する。
次にRandom Mapping Networks (RaMaN)を導入し, 予測潜在次元を, 構造化アダマールあるいはシード再生ガウス写像を用いてインスタンス化する。
RaMaNは、測定された遷移位置を追尾し、変位方向が重要となるとき、向きに依存しない近似を上回ります。
論文 参考訳（メタデータ） (2026-08-12T21:09:54Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳（メタデータ） (2025-12-01T05:14:25Z) - Preventing Model Collapse Under Overparametrization: Optimal Mixing Ratios for Interpolation Learning and Ridge Regression [4.71547360356314]
モデル崩壊は、生成モデルが自身の合成出力を繰り返し訓練した後で劣化するときに起こる。
この反復スキームの下で最小$$$-normとリッジ回帰の正確な誤差式を導出する。
本分析により, 長期予測誤差を最小化する混合重量の興味深い特性が明らかとなった。
論文 参考訳（メタデータ） (2025-09-26T13:34:48Z) - Dynamical local Fréchet curve regression in manifolds [0.0]
我々は、NASAのMAGSAT衛星の経度と経度の変化から、地球の磁場の予測問題を考察する。
実際のデータ応用の動機として、NASAのMAGSAT衛星の経度と経度から地球の磁場の予測問題を考察する。
論文 参考訳（メタデータ） (2025-05-08T12:06:59Z) - On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。
RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。
本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
論文 参考訳（メタデータ） (2024-10-19T02:36:11Z) - A U-turn on Double Descent: Rethinking Parameter Counting in Statistical
Learning [68.76846801719095]
二重降下がいつどこで起こるのかを正確に示し、その位置が本質的に閾値 p=n に結び付けられていないことを示す。
これは二重降下と統計的直観の間の緊張を解消する。
論文 参考訳（メタデータ） (2023-10-29T12:05:39Z) - Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳（メタデータ） (2023-09-15T22:06:29Z) - On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。
本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。
理論的にも経験的にも二重降下現象を観察する。
論文 参考訳（メタデータ） (2021-10-13T17:47:39Z) - On the Role of Optimization in Double Descent: A Least Squares Study [30.44215064390409]
最小二乗対象の降下勾配解に対して過大なリスクを負うことを示す。
ノイズのない回帰の場合、二重降下は最適化関連量によってのみ説明される。
ニューラルネットワークの予測が保たれているかどうかを実証的に調査する。
論文 参考訳（メタデータ） (2021-07-27T09:13:11Z) - Optimization Variance: Exploring Generalization Properties of DNNs [83.78477167211315]
ディープニューラルネットワーク(DNN)のテストエラーは、しばしば二重降下を示す。
そこで本研究では,モデル更新の多様性を測定するために,新しい測度である最適化分散(OV)を提案する。
論文 参考訳（メタデータ） (2021-06-03T09:34:17Z) - Rao-Blackwellizing the Straight-Through Gumbel-Softmax Gradient
Estimator [93.05919133288161]
一般的なGumbel-Softmax推定器のストレートスルー変量の分散は、ラオ・ブラックウェル化により減少できることを示す。
これは平均二乗誤差を確実に減少させる。
これは分散の低減、収束の高速化、および2つの教師なし潜在変数モデルの性能向上につながることを実証的に実証した。
論文 参考訳（メタデータ） (2020-10-09T22:54:38Z)
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。
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。