論文の概要: Improving Ensemble Filters with Flow Matching

• arxiv url: http://arxiv.org/abs/2609.28015v1
• Date: Wed, 23 Sep 2026 12:37:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.019278
• Title: Improving Ensemble Filters with Flow Matching
• Title（参考訳）: フローマッチングによるアンサンブルフィルタの改良
• Abstract要約: FlowEFは、4つの古典的なアンサンブルフィルタに対して決定論的および確率的メトリクスの両方を改善している。 また、最先端の生成データ同化モデルの中でも最高のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 46.98905723334405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data assimilation estimates a dynamical state from partial and noisy observations. Classical ensemble filters are efficient but restrict analysis updates through finite sample covariance and affine Gaussian distribution. We introduce the Flow Ensemble Filter (FlowEF), which uses conditional flow matching to transport the forecast ensemble from a classical baseline filter to an analysis ensemble. FlowEF uses a localized Gaussian source during training, transports forecast ensemble members from a baseline filter at deployment, and conditions its velocity field on ensembles from that baseline filter and the observation. The proposed model therefore learns a nonlinear update while mapping each baseline ensemble independently. For sparsely observed dynamical systems, FlowEF improves both deterministic and probabilistic metrics over all four classical ensemble filters. It also achieves the best performance among the state-of-the-art generative data assimilation models.
• Abstract（参考訳）: データ同化は、部分的および雑音的な観測から動的状態を推定する。 古典的なアンサンブルフィルタは効率的であるが、有限サンプル共分散とアフィンガウス分布による解析更新を制限している。 本研究では,従来のベースラインフィルタから解析アンサンブルへ予測アンサンブルを輸送するために,条件付きフローマッチングを用いたFlow Ensemble Filter(FlowEF)を提案する。 FlowEFは、トレーニング中にローカライズされたガウスソースを使用し、デプロイメント時にベースラインフィルタから予測アンサンブルメンバを輸送し、ベースラインフィルタからのアンサンブルの速度場と観測を条件とする。 提案モデルでは,各ベースラインアンサンブルを独立にマッピングしながら非線形更新を学習する。 わずかに観察された力学系に対して、FlowEFは4つの古典的なアンサンブルフィルタに対して決定論的および確率的メトリクスの両方を改善している。 また、最先端の生成データ同化モデルの中でも最高のパフォーマンスを達成する。

関連論文リスト

• Ensemble Controlled-Flow Filtering for Implicit Data Assimilation [11.531404987674378]
  解析法則を予測分布のエネルギー傾きと定義した暗黙データ同化を導入する。 次に、制御フローを通じてこの更新を実現するEnsemble Controlled-flow Filter (EnCF)を提案する。 シミュレータで定義された観測のために、EnCF-LFはサンプルから条件エネルギーの代理を学習し、同じ制御フローソルバを適用する。
  論文  参考訳（メタデータ） (2026-07-14T17:16:37Z)
• Deformable Wiener Filter for Future Video Coding [55.405068056883614]
  We propose a deformable Wiener Filter (DWF) for in-loop filters in Versatile Video Coding (VVC)。 局所特性と非局所特性を組み合わせて、ウィナーフィルタ理論に基づいてフィルタ係数を指導的に訓練する。 平均で1.16%、1.92%、および2.67%のビットレートの節約を実現している。
  論文  参考訳（メタデータ） (2026-06-01T02:24:07Z)
• Flow Matching for Efficient and Scalable Data Assimilation [11.620677508344981]
  データ同化は、ノイズ観測から力学系の状態を推定する。 アンサンブルスコアフィルタ(EnSF)のような最近の生成モデルは、高次元非線形設定においてDAを改善するが、計算コストが高い。 本研究では,アンサンブルフローフィルタ(EnFF)を導入した。これはFMベースのフレームワークで,サンプリングを高速化し,フロー設計の柔軟性を提供する。
  論文  参考訳（メタデータ） (2025-08-18T19:00:45Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Machine learning-based conditional mean filter: a generalization of the ensemble Kalman filter for nonlinear data assimilation [42.60602838972598]
  スパース観測に基づく非線形ダイナミクスを持つ高次元非ガウス状態モデルを追跡する機械学習ベースのアンサンブル条件付き平均フィルタ(ML-EnCMF)を提案する。 提案手法は条件付き期待値に基づいて開発され,機械学習(ML)技術とアンサンブル法を組み合わせて数値的に実装されている。
  論文  参考訳（メタデータ） (2021-06-15T06:40:32Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。