論文の概要: RD-JEPA: Predictive latent pretraining for few-trajectory transfer across reaction--diffusion equations

• arxiv url: http://arxiv.org/abs/2609.29403v1
• Date: Thu, 24 Sep 2026 11:28:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.873215
• Title: RD-JEPA: Predictive latent pretraining for few-trajectory transfer across reaction--diffusion equations
• Title（参考訳）: RD-JEPA:反応拡散方程式間のわずかな軌道移動のための予測潜在事前学習
• Abstract要約: RD-JEPAは,反応拡散軌道上での自己教師型事前学習のための共同埋め込み型予測アーキテクチャである。 一つのモデルが5つのパラメータ化システムで事前訓練され、3つの保留システムに適合する。 RD-JEPAは、平均相対的な$ell2$フィールド誤差と絶対的な空間的第一差誤差を達成する。
• 参考スコア（独自算出の注目度）: 6.127133857944915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning surrogates for time-dependent partial differential equations often requires a new simulation corpus when the governing operator changes. We introduce RD-JEPA, a joint-embedding predictive architecture for self-supervised pretraining on reaction-diffusion trajectories. A single model is pretrained on five parameterized systems and then adapted to three held-out systems whose reaction operators and trajectories are excluded from pretraining. Using one, five, or ten complete trajectories from a held-out system, RD-JEPA achieves lower mean relative discrete $\ell^2$ field error and mean absolute spatial first-difference error than five supervised surrogate baselines, an independently trained control that removes the trajectory-dependent predictive latent pathway, and an architecture-matched model trained from scratch. Within the evaluated equations, output resolution, forecast horizons, and choices of adaptation trajectories, the results indicate that prediction of future-state representations can support data-efficient adaptation across related reaction-diffusion systems.
• Abstract（参考訳）: 時間依存偏微分方程式の学習は、支配作用素が変化するとき、しばしば新しいシミュレーションコーパスを必要とする。 RD-JEPAは,反応拡散軌道上での自己教師型事前学習のための共同埋め込み型予測アーキテクチャである。 5つのパラメータ化システム上で1つのモデルが事前訓練され、その後、反応演算子と軌道が事前訓練から除外される3つの保留系に適応する。 RD-JEPAは、ホールトアウトシステムから1,5,10個の完全な軌道を用いて、平均的な離散的な$\ell^2$フィールド誤差と平均的な空間的な1次差誤差を5つの教師付きサロゲートベースラインよりも低く達成し、トラジェクトリ依存の予測潜在経路を除去する独立的に訓練された制御と、スクラッチからトレーニングされたアーキテクチャマッチングモデルを達成する。 評価式,出力分解能,予測地平線,適応軌道の選択において,将来の状態表現の予測が関連する反応拡散系間のデータ効率適応を支援することを示す。

関連論文リスト

• One-Step Evolution for Long-Time Extrapolation: An Error-Bound-Informed and Prior-Guided Neural Residual Framework for Autonomous PDEs [35.243162110670944]
  そこで本研究では,地中軌道の監督を伴わない数値誘導・物理制約手法を提案する。 低コストの数値計算により,1段階進化演算子の近似が困難になる。 弱い形式のPDE残基は、エラー?プロパゲーション境界における1ステップエラー項の計算可能なプロキシを提供する。
  論文  参考訳（メタデータ） (2026-08-22T16:04:18Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Constant Time-Delay Leader Following with Neural Networks and Invariant Extended Kalman Filters for Arbitrary Trajectories [0.9176056742068813]
  本稿では,車両間通信を使わずに走行する車両の時間遅延軌道追跡手法を提案する。 この方法は、確率論的シーケンス・ツー・シーケンス(Seq2Seq)ニューラルネットワークと不変拡張カルマンフィルタ(IEKF)を統合し、予測プロセスのウォームスタートを行う。 本手法の有効性は, 純粋なIEKFベースライン, 学習に基づく手法, および基礎トラジェクトリとの比較により, キネマティックシミュレーションにおいて検証される。
  論文  参考訳（メタデータ） (2026-06-17T16:04:58Z)
• On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
  本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。 本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。 実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
  論文  参考訳（メタデータ） (2026-05-12T11:33:49Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Learn for Variation: Variationally Guided AAV Trajectory Learning in Differentiable Environments [21.594684328904403]
  Learn for Variation (L4V)は勾配インフォームドな軌道学習フレームワークである。 高分散スカラー報酬信号を高密度で解析的に基底化されたポリシー勾配に置き換える。 L4Vは、ミッション完了時間、平均送信速度、訓練コストにおいて、代表ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-19T12:57:42Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Control-Augmented Autoregressive Diffusion for Data Assimilation [17.305296093966803]
  本稿では,ARDMを軽量コントローラで拡張するアモールト化フレームワークを提案する。 我々はこの枠組みをカオス偏微分方程式(PDE)に対するデータ同化(DA)の文脈で評価する。 提案手法は,DA推論をオンザフライ修正による単一前方ロールアウトに還元し,推論中に高価な随伴計算や最適化を回避する。
  論文  参考訳（メタデータ） (2025-10-08T04:37:32Z)
• TD-JEPA: Latent-predictive Representations for Zero-Shot Reinforcement Learning [63.73629127832652]
  本稿では,TDに基づく潜在予測表現を教師なしRLに活用するTD-JEPAを紹介する。 TD-JEPAは、明示的な状態とタスクエンコーダ、ポリシー条件付きマルチステップ予測器、パラメータ化されたポリシーのセットを潜時空間で直接訓練する。 実証的には、TD-JEPAは13のデータセットにわたる移動、ナビゲーション、操作のタスクにおいて、最先端のベースラインをマッチまたは上回る。
  論文  参考訳（メタデータ） (2025-10-01T10:21:18Z)

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。