論文の概要: HamiFormer: Dual-Expert Diffusion Fields with Affine Symplectic Maps
- arxiv url: http://arxiv.org/abs/2609.32838v1
- Date: Sat, 26 Sep 2026 18:10:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 19:45:37.442199
- Title: HamiFormer: Dual-Expert Diffusion Fields with Affine Symplectic Maps
- Title（参考訳）: HamiFormer:アフィンシンプレクティックマップを用いた2次元拡散場
- Abstract要約: HamiFormer(ハミホルマー)は、風洞全体と残補正伝搬を組み合わせた2慣性拡散場である。
彼らの混合状態フィードバックは、継承された自己回帰誤差の直接的な寄与を弱める。
PLASのアフィンシンプレクティックマップは, 逐次的明示的レジームよりも低ソルバ誤差と実行時間を実現する。
- 参考スコア（独自算出の注目度）: 8.84932832954351
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting smooth dynamics and collisions requires modeling continuous evolution and abrupt state changes. We introduce HamiFormer, a dual-expert diffusion field combining whole-window denoising with residual-corrected Hamiltonian propagation. Their mixed-state feedback attenuates the direct contribution of inherited autoregressive error: each mixed state guides subsequent propagation within the jointly refined window. Parallel Local Affine Scan (PLAS) amortizes iterative refinement across rectified-flow steps and evaluates derivatives in parallel across physical time. PLAS's affine symplectic maps achieve lower solver error and runtime than sequential explicit Euler in our evaluation. A Regime Model Tree specializes residuals and routing to balance typical-state accuracy against large tail errors. Our analysis gives conditions for physically consistent refinement and warm-start tracking, and finite-window error bounds under diffusion feedback. In 192-step evaluations, HamiFormer reduces normalized phase-space MSE by 26.3% against PhysiFormer on HamiBalls-1 and 21.4% against DiT on HamiBalls-2, with comparable model capacities. Disjoint-interval comparisons show the lowest late-horizon position and momentum errors among baselines on both datasets. Project page: https://hamiformer.github.io/.
- Abstract（参考訳）: 滑らかなダイナミクスと衝突を予測するには、継続的な進化と急激な状態変化をモデル化する必要がある。
本稿では,HamiFormerについて紹介する。HamiFormerは,残差補正ハミルトン伝搬と全ウィンドウデノイングを組み合わせた2次元拡散場である。
これらの混合状態フィードバックは、継承された自己回帰誤差の直接的な寄与を減衰させる。
Parallel Local Affine Scan (PLAS) は、整流工程をまたいだ反復的洗練を補正し、物理時間にわたって微分を並列に評価する。
PLASのアフィンシンプレクティックマップは, 逐次的明示的オイラーよりも低ソルバ誤差と実行時間を実現する。
Regime Model Treeは、残差とルーティングを専門とし、大きめのテールエラーに対して典型的な状態精度のバランスをとる。
本分析では, 拡散フィードバック下での物理的に一貫した精細化と暖房開始追跡, 有限ウィンドウ誤差境界の条件について検討した。
192段階の評価では、HamiFormer は通常の位相空間 MSE を 26.3% で、HamiBalls-1 では PhysiFormer を 21.4% で、モデル容量に匹敵する DiT を 21.4% で削減した。
差分-区間比較では,両データセットの基線間における最小の遅延-水平位置と運動量誤差が示される。
プロジェクトページ: https://hamiformer.github.io/.com
関連論文リスト
- Finite-Time Concentration and Convergence Rates for Projected Two-Time-Scale Stochastic Approximation with Markov Noise [23.031381267928904]
制御マルコフ連鎖によって駆動される投影された2時間1/2スケール近似の有限時間濃度と収束率について検討した。
スコロホッド写像を用いて、運動する高速平衡と予測されるスローダイナミクスを追跡するために、明示的な高確率境界を確立する。
論文 参考訳（メタデータ） (2026-09-28T10:00:38Z) - Recovering Governing Dynamics from Distributed Observations via Exact Spline Merging [0.0]
本稿ではこの設定に2つの貢献をする。
固定基底リッジ回帰統計の確立された付加構造を適用した。
完全なパイプラインは、分散観察と物理パラメータ推論を結合する。
論文 参考訳（メタデータ） (2026-09-15T03:25:06Z) - Structured Extrema Errors in Classical Surrogates for Viscous Burgers: A Physics-Consistent Interpretation [0.0]
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。
論文 参考訳（メタデータ） (2026-09-07T20:17:58Z) - Variational Bounds for Perceptron Learning from Structured Data [1.8549313085249324]
ガウス混合系で訓練した有限温度連続スピンパーセプトロンに変動的アプローチを導入する。
圧縮圧力に対する上限のミニマックス変動境界を導出する。
同じポテンシャルは固定点方程式を定常性として得る。
論文 参考訳（メタデータ） (2026-08-05T14:08:08Z) - Constrained Diffusion Models with Primal-Dual Inference [76.64466170898369]
我々はPDI(primal-Dual Inference)を用いた制約付き拡散モデルを開発する。
PDIは最適原始分布とそのパラメトリゼーション双対変数を推定する。
我々は、ガウシアン、無線リソースアロケーション、ポートフォリオ管理の混合による制約サンプリングに基づくPDIを評価する。
論文 参考訳（メタデータ） (2026-06-15T18:32:33Z) - Recursively Trained Diffusion Models: Limiting Collapse Distribution and Spectral Characterization [27.894241484593735]
生成モデルの再帰的トレーニングは、真のデータ分布から複合的なドリフトであるモデル崩壊を引き起こす可能性がある。
完全なスコア推定と正確なサンプリングを行っても,逆拡散の早期停止はデータ分布から進行的なドリフトを引き起こすことを示す。
低次よりも高速に高次誤差を収縮するモード依存の収縮速度で、理想的な特徴付けが堅牢であることを示す。
論文 参考訳（メタデータ） (2026-06-11T18:06:26Z) - VIKING: Deep variational inference with stochastic projections [48.946143517489496]
変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。
パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。
これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
論文 参考訳（メタデータ） (2025-10-27T15:38:35Z) - 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) - Simultaneous Transport Evolution for Minimax Equilibria on Measures [48.82838283786807]
最小限の最適化問題は、敵対的学習や生成的モデリングなど、いくつかの重要な機械学習設定で発生する。
この研究では、代わりに混合平衡を見つけることに集中し、関連する持ち上げ問題を確率測度の空間で考察する。
エントロピー正則化を加えることで、我々の主な成果はグローバル均衡へのグローバル収束を確立する。
論文 参考訳（メタデータ） (2022-02-14T02:23:16Z) - 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) - 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)
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。