論文の概要: CasEm: A Cascade Architecture for Long-Horizon Neural Emulation

• arxiv url: http://arxiv.org/abs/2609.34246v1
• Date: Mon, 28 Sep 2026 03:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:34:06.113459
• Title: CasEm: A Cascade Architecture for Long-Horizon Neural Emulation
• Title（参考訳）: CasEm: 長距離ニューラルネットワークエミュレーションのためのカスケードアーキテクチャ
• Abstract要約: Cascaded Emulation (CasEm)は、物理的に指定された集約の独立に進化したモデルで既存のフルステートバックボーンを拡張するワンウェイロールアウトアーキテクチャである。 我々はこれらの3つの要因を明らかにする有限水平誤差を導出し、経験的診断を用いてサブシステム選択を導出する。 地球温暖化のエミュレーションでは、局所的な全水サブシステムを持つCasEmは、凍結したACEと球状DYffusionのバックボーンに対して、それぞれ10年間のフルステートの時間平均誤差を66.6%、46.3%削減する。
• 参考スコア（独自算出の注目度）: 17.277213562415017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive neural emulators can drift or diverge over long rollouts despite accurate short-term predictions. We introduce Cascaded Emulation (CasEm), a one-way rollout architecture that augments an existing full-state backbone with an independently evolving model of physically specified aggregates. Its forecasts guide corrections to full-state predictions, without feedback from the backbone to the aggregate model. Effective guidance requires aggregates that cover substantial backbone error, remain accurately predictable, and support useful full-state corrections. We derive a finite-horizon error bound that clarifies these three factors and use empirical diagnostics to guide subsystem selection. Across four ODE/PDE benchmarks, CasEm reduces long-horizon rollout errors across diverse backbones and suppresses the trend toward error divergence in both diffusion tasks using Fourier neural operator backbones. In global climate emulation, CasEm with a regional total-water subsystem reduces 10-year full-state time-mean error by 66.6% and 46.3% for frozen ACE and Spherical DYffusion backbones, respectively, while adding less than 3% to inference time.
• Abstract（参考訳）: 自己回帰型神経エミュレータは、正確な短期予測にもかかわらず、長いロールアウトをドリフトまたは分岐することができる。 Cascaded Emulation(CasEm)は、物理的に指定された集約の独立に進化したモデルで、既存のフルステートバックボーンを増強するワンウェイロールアウトアーキテクチャである。 その予測は、バックボーンから集約モデルへのフィードバックなしで、完全な状態予測への修正を導く。 効果的なガイダンスには、かなりのバックボーンエラーをカバーし、正確に予測可能であり、有効なフルステート修正をサポートするアグリゲーションが必要である。 我々はこれらの3つの要因を明らかにする有限水平誤差を導出し、経験的診断を用いてサブシステム選択を導出する。 4つのODE/PDEベンチマークで、CasEmは様々なバックボーンの長い水平ロールアウトエラーを減らし、フーリエニューラル演算子バックボーンを使用して両方の拡散タスクにおける誤差分散傾向を抑制する。 地球温暖化のエミュレーションでは、局所的な全水サブシステムを持つCasEmは、凍結したACEと球状DYffusionのバックボーンに対して10年間のフルステートの時間平均誤差を66.6%、46.3%削減し、推論時間に3%未満を加えている。

関連論文リスト

• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• Learning-based Probabilistic Load Forecasting with Post-hoc and In-model Uncertainty [0.0]
  我々は,1日ごとの確率予測フレームワークを開発した。 モジュラー・ポストホック残量学習スキームとインモデル量子学習スキームを比較した。 この結果から, 再構成された入力に依存する場合の残差量子化の限界が明らかとなった。
  論文  参考訳（メタデータ） (2026-07-14T13:02:18Z)
• The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error [0.0]
  時系列予測における「グラニュラリティパラドックス」は, 時間分解の微細化により, サンプル内診断やデータセットサイズが向上する。 このトレードオフを形式化し、13年間の公開調達データセットを使用して、6つの粒度にわたる10のモデルをベンチマークします。
  論文  参考訳（メタデータ） (2026-07-05T11:52:08Z)
• Recovering Stranded Discrimination in Knowledge Tracing: Per-Item Bias Correction via Empirical-Bayes Shrinkage [5.965959604603513]
  State-space Logit Correctionは、バイナリ観測をLaplace/IRLS経由で擬似観測に変換する。 状態空間の定式化はベルヌーイの情報フロアを特徴づける検出性境界を与える。 クロスドメインコントロールは、デプロイされたバックボーンがエンティティレベルのバイアスを残すと、同じ現象が教育を超えて起こることを示唆している。
  論文  参考訳（メタデータ） (2026-06-12T05:07:57Z)
• ARC-STAR: Auditable Post-Hoc Correction for PDE Foundation Models [47.9430487327673]
  ARC-STARは修正を3段階にまとめる: グローバルな修正器は広い解法バイアスを除去し、ブロックワイドな局所精錬器はポストグロバル残差を浄化し、展開時にはラベルフリースコアは計算予算の下でハイリスクなブロックに精算する。 ARC-STARは、全ての細胞で生ポセイドンよりも少なくとも36倍の速度ロールアウト誤差を減少させる唯一の方法である。
  論文  参考訳（メタデータ） (2026-05-21T09:26:16Z)
• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• 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)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。