論文の概要: Mechanism-Aware Ensemble Conditioning for Data-Limited Emulation of Extreme Events

• arxiv url: http://arxiv.org/abs/2609.30746v1
• Date: Fri, 25 Sep 2026 03:23:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.200197
• Title: Mechanism-Aware Ensemble Conditioning for Data-Limited Emulation of Extreme Events
• Title（参考訳）: 極端事象のデータ制限エミュレーションのためのメカニズム対応アンサンブル条件
• Abstract要約: 本研究では, 粗いアンサンブルを局所不安定な形状の非侵入センサに変換する機構対応コンディショニング・プラグイン・フレームワークを提案する。 固定アンサンブル条件付きFiLM-STORNモデルは(50)時間単位のみで訓練され、長距離レアイベント統計を著しく改善する。
• 参考スコア（独自算出の注目度）: 1.0032961794537367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extreme events in chaotic systems are difficult to learn from short trajectories because they are controlled by transient finite-time instability rather than by frequently observed bulk dynamics. We propose a mechanism-aware conditioning plug-in framework that turns a nudged coarse ensemble into a non-intrusive sensor of local instability geometry. In the small-noise regime, the ensemble covariance aggregates the same finite-time deformation kernels that govern local instability, providing a Jacobian-free proxy for the local amplification structure around a synchronized coarse trajectory. A small FiLM module injects statistics of this ensemble geometry into an otherwise unchanged backbone while leaving the coarse simulator unchanged. We demonstrate this interface in two distinct pipelines: a Transformer-style residual-attention corrector for a controlled low-dimensional chaotic system and a probabilistic recurrent STORN corrector for topographic two-layer quasi-geostrophic (QG) flow. In the low-dimensional benchmark, ensemble covariance directions co-activate with OTD modes and FiLM conditioning improves 99th-percentile exceedance-frequency errors over an identical no-context Transformer baseline. In QG, a fixed ensemble-conditioned FiLM-STORN model trained on only \(50\) time units substantially improves long-horizon rare-event statistics in the data-limited regime, including density-tail errors, exceedance frequencies, and spatial exceedance-area distributions relative to an unconditioned STORN trained on the same data; on averaged high-threshold exceedance diagnostics, it also outperforms the baseline STORN trained with $20$ times more high-resolution data. These results show that local instability geometry is not merely interpretable post hoc, but an actionable conditioning signal for data-efficient rare-event emulation.
• Abstract（参考訳）: カオス系における極端事象は、しばしば観測されるバルク力学よりも過渡的な有限時間不安定性によって制御されるため、短い軌道から学ぶことは困難である。 本研究では, 粗いアンサンブルを局所不安定な形状の非侵入センサに変換する機構対応コンディショニング・プラグイン・フレームワークを提案する。 小雑音系では、アンサンブル共分散は局所不安定性を管理する同じ有限時間変形核を集約し、同期された粗い軌道の周りの局所増幅構造に対するジャコビアンフリープロキシを提供する。 小さなFiLMモジュールは、このアンサンブル幾何の統計を、さもなければ変化しないバックボーンに注入し、粗いシミュレータは変わらない。 制御された低次元カオスシステムのためのトランスフォーマー型残差注意補正器と、地形2層準地栄養(QG)流れに対する確率的再帰性STORN補正器の2つの異なるパイプラインでこのインターフェースを実証する。 低次元のベンチマークでは、アンサンブル共分散方向がOTDモードと共活性化され、FiLM条件が同一のノンコンテクストトランスフォーマーベースライン上で99番目の超過周波数誤差を改善する。 QGでは、(50)時間単位のみで訓練された固定アンサンブル条件のFiLM-STORNモデルにより、密度-テール誤差、超過頻度、同じデータで訓練された無条件のSTORNに対する空間超過面積分布を含む、データ制限された状態における長い水平レアイベント統計が大幅に改善され、平均的な高閾値超過診断では、20ドル以上の高分解能データで訓練されたベースラインSTORNよりも優れている。 これらの結果から,局所不安定な形状は単にポストホックではなく,データ効率のよい希土類エミュレーションのための動作可能な条件付け信号であることがわかった。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Difficulty-Calibrated Interpolation Paths for Conditional Flow Matching [0.0]
  条件付きフローマッチングは、所定のノイズ・データ・パスの速度にネットワークを後退させて生成モデルを訓練する。 本研究では,条件付きフローマッチングの回帰困難度が経路に沿って系統的に変化することを示す。 本稿では,モデル自体からスケジュールを導出するDifficulty-Calibrated Flow Matchingを提案する。
  論文  参考訳（メタデータ） (2026-08-21T16:42:52Z)
• 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)
• Recovering Physical Dynamics from Discrete Observations via Intrinsic Differential Consistency [12.266189649117003]
  我々は地域の監督をグローバルな構造的制約に置き換える。 この特性からの偏差が2つの目的に作用する時間条件のセカント速度場を訓練する。 トレーニング正則化器として、時間スケールで一貫して構成されるフローに仮説空間を限定する。
  論文  参考訳（メタデータ） (2026-05-08T20:24:32Z)
• KD-EKF: Knowledge-Distilled Adaptive Covariance EKF for Robust UWB/PDR Indoor Localization [6.004649968619912]
  屋内でのローカライゼーションは、センチメートルレベルの精度と低レイテンシを提供する。 非視界条件下では測定信頼性が著しく低下する。 慣性測定ユニット(IMU)をベースとしたPDR(Pedestrian Dead Reckoning)は,インフラストラクチャフリーな動作推定を提供する。
  論文  参考訳（メタデータ） (2026-03-06T03:12:52Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN [0.0]
  T-BiGANは、双方向生成逆数ネットワーク(BiGAN)内でウィンドウアテンション変換を行うフレームワークである。 エンコーダデコーダはアーキテクチャをキャプチャし、識別器はサイクル整合性を適用して遅延空間を真のデータ分布と整合させる。 異常は、再構成誤差、潜時空間ドリフト、判別器の信頼性を組み合わせた適応スコアを用いてリアルタイムでフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-30T00:16:35Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity [0.0]
  本稿では,スタイル転送技術に触発された新しいアーキテクチャであるChoronoAdaptive Network (CANet)を紹介する。 CANetの中核は非定常適応正規化モジュールであり、スタイルブレンディングゲートと適応インスタンス正規化(AdaIN)をシームレスに統合する。 実世界のデータセットに関する実験は、CANetが最先端の手法よりも優れていることを検証し、MSEの42%、MAEの22%を達成している。
  論文  参考訳（メタデータ） (2025-04-24T20:05:33Z)

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。