Fugu-MT 論文翻訳(概要): Evaluating Dynamical Fidelity through Predictive Structure in Physical Representations

論文の概要: Evaluating Dynamical Fidelity through Predictive Structure in Physical Representations

arxiv url: http://arxiv.org/abs/2609.34627v1
Date: Mon, 28 Sep 2026 08:48:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 11:49:16.941148
Title: Evaluating Dynamical Fidelity through Predictive Structure in Physical Representations
Title（参考訳）: 物理表現の予測構造による動的忠実度の評価
Abstract要約: 本稿では,物理表現空間における予測構造による動的忠実度評価のための実践的枠組みを提案する。専門家は表現を定義し、参照軌跡はどの関係が予測可能かを決定し、評価テストとして保持する。本研究では, 惑星波活動のERA5表現と北環状モードの進化を用いた大気予報の手法を実証し, パング・ウェザー, GraphCast, FengWuの評価を行った。
参考スコア（独自算出の注目度）: 5.1470531943314315
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine-learning models for physical systems are currently evaluated primarily through errors between predicted and reference states and, increasingly, through tests of physical consistency. These metrics assess whether predictions are accurate and satisfy selected physical requirements, but provide limited insight into whether learned trajectories reproduce the underlying dynamics. Domain experts examine such relationships through physical representations that expose relevant processes, interactions, and responses, but these analyses are often separated from typical machine-learning evaluation. We introduce a practical framework for evaluating dynamical fidelity through predictive structure in physical representation spaces. Experts define the representations, while reference trajectories determine which relationships are predictive and retained as evaluation tests. We demonstrate the approach in atmospheric forecasting using ERA5 representations of planetary-wave activity and Northern Annular Mode evolution, and evaluate Pangu-Weather, GraphCast, and FengWu. The models exhibit distinct departures from reference predictive structure that are not reflected by conventional forecast errors. The framework thereby turns domain-expert representations into systematic tests of learned physical dynamics without prescribing the relationships in advance.
Abstract（参考訳）: 物理システムの機械学習モデルは、主に予測された状態と参照状態の間のエラーと、ますます物理的な一貫性のテストによって評価されている。これらのメトリクスは、予測が正確かどうかを評価し、選択された物理的要求を満たすが、学習された軌跡が基礎となる力学を再現するかどうかについての限られた洞察を与える。ドメインエキスパートは、関連するプロセス、相互作用、応答を明らかにする物理表現を通してそのような関係を考察するが、これらの分析は典型的な機械学習評価とは分離されることが多い。本稿では,物理表現空間における予測構造による動的忠実度評価のための実践的枠組みを提案する。専門家は表現を定義し、参照軌跡はどの関係が予測可能かを決定し、評価テストとして保持する。本研究では, 惑星波活動のERA5表現と北環状モードの進化を用いた大気予報の手法を実証し, パング・ウェザー, GraphCast, FengWuの評価を行った。これらのモデルでは、従来の予測誤差に反映されない参照予測構造から逸脱している。このフレームワークは、事前に関係を規定することなく、ドメインエキスパート表現を学習された物理力学の体系的なテストに変換する。

関連論文リスト

Correct then Forecast: Observer State-Space Models for Time Series Forecasting [3.810388351528255]
時系列予測のためのオブザーバ状態空間モデル(OSSM)を紹介する。 OSSMは測定同化から潜在状態の伝播を分離する。また,OSSMは,対応するSSMベースラインと同じパラメータ数とトレーニング設定を維持しつつ,大幅な改善を実現していることを示す。
論文参考訳（メタデータ） (2026-09-27T13:40:42Z)
ExPhy: A Benchmark for Explicit Physical Property Learning in Multi-Object Trajectory Forecasting [15.473901043596607]
既存のベンチマークでは、軌道予測と並行して明示的な評価対象としてオブジェクトレベルの物理的特性を公開することはめったにない。 ExPhyには24,000のシミュレートされた物理シーンがあり、質量、摩擦、再生のための明確なオブジェクトレベルラベルがある。 textscPhyODEは、観測された軌跡から物理特性を推定し、それらを差別化可能な将来のロールアウトに使用する。
論文参考訳（メタデータ） (2026-08-20T13:24:13Z)
Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-24T07:31:55Z)
K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。提案手法はシミュレーションと実世界の応用を通して評価する。
論文参考訳（メタデータ） (2026-05-14T13:35:44Z)
A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文参考訳（メタデータ） (2026-04-17T15:16:33Z)
Causal-INSIGHT: Probing Temporal Models to Extract Causal Structure [4.718641165826564]
Causal-INSIGHTは、訓練された時間的予測器からモデル実装された(予測者に依存しない)時間的な影響構造を抽出するためのモデルに依存しない、ポストホックな解釈フレームワークである。提案するQbicは,地平線グラフラベルを必要とせずに,予測忠実度と構造的複雑さのバランスをとる,空間性を考慮したグラフ選択基準である。
論文参考訳（メタデータ） (2026-03-26T14:16:37Z)
Physics-Informed Spectral Modeling for Hyperspectral Imaging [1.9336815376402718]
物理インフォームド深層学習アーキテクチャであるPhISMを提案する。 mnameはいくつかの分類と回帰ベンチマークで先行メソッドよりも優れており、ラベル付きデータに制限があり、解釈可能な潜在表現によってさらなる洞察を提供する。
論文参考訳（メタデータ） (2025-08-29T13:32:07Z)
PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
論文参考訳（メタデータ） (2025-04-08T14:11:01Z)
Inverse Dynamics Pretraining Learns Good Representations for Multitask Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。逆動力学モデリングはこの設定に適していると主張する。
論文参考訳（メタデータ） (2023-05-26T14:40:46Z)
Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文参考訳（メタデータ） (2020-04-28T17:06:38Z)

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。