論文の概要: EnJoi: Ensemble Joint Score Filter for Generative Data Assimilation

• arxiv url: http://arxiv.org/abs/2609.35944v1
• Date: Mon, 28 Sep 2026 16:28:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.904421
• Title: EnJoi: Ensemble Joint Score Filter for Generative Data Assimilation
• Title（参考訳）: EnJoi: 生成データ同化のためのアンサンブルジョイントスコアフィルタ
• Abstract要約: データ同化(Data Assimilation)は、部分的にのみ観察される動的システムの完全な状態を回復することを目的としている。 本研究では,現在状態の信頼性と新たな観測値のバランスをとる拡散型同化アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 12.203679037551938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data Assimilation (DA) aims to recover the full state of a dynamical system that is only partially observed. A solution is to use Score-based models to generate physically consistent trajectories that agree with the observations. These Autoregressive Diffusion models are trained by conditioning on the previous state; however, they do not take into account the uncertainty of their past predictions. We propose a new diffusion-based assimilation algorithm that dynamically balances the confidence in the current state and the new observations. Crucially, we choose to learn the distribution of the joint state containing both the past and future. This allows us to use a modified version of En4DVar, a classical DA algorithm that relies on the covariance of an ensemble of particles. Experiments on fluid and traffic flow simulations show improved reconstruction performance, especially in situations where observations are sparse and non-homogeneous.
• Abstract（参考訳）: データ同化(DA)は、部分的にしか観察されていない力学系の完全な状態を回復することを目的としている。 解決策は、Scoreベースのモデルを使用して、観測に一致する物理的に一貫した軌道を生成することである。 これらの自己回帰拡散モデルは、以前の状態の条件付けによって訓練されるが、過去の予測の不確実性を考慮していない。 本研究では,現在状態と新しい観測値の信頼度を動的にバランスする拡散型同化アルゴリズムを提案する。 重要なことは、過去と未来の両方を含む結合状態の分布を学習することを選ぶ。 これにより、粒子のアンサンブルの共分散に依存する古典的なDAアルゴリズムであるEn4DVarの修正版を使用することができる。 流体・交通流シミュレーション実験では、特に観測が疎らで不均一な状況において、復元性能が向上した。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Uniform Diffusion Models Revisited: Leave-One-Out Denoiser and Absorbing State Reformulation [72.05592785529404]
  UDMの標準プラグインブリッジパラメタライゼーションは,後側頭蓋に最適化されないことを示す。 また,UDM関節法をマスク拡散様サンプリング操作に分解して保存する均一拡散の吸収状態再構成も導入した。
  論文  参考訳（メタデータ） (2026-05-21T17:27:19Z)
• SURGE: Approximation and Training Free Particle Filter for Diffusion Surrogate [10.190682562038047]
  本研究では,拡散モデルを用いてシステムのダイナミクスをシミュレーションし,予測する。 本研究では,騒音観測から得られる情報を組み込んで,予測されたシステム状態の継続的な修正と改善を可能にする方法について検討する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:00Z)
• DAISI: Data Assimilation with Inverse Sampling using Stochastic Interpolants [12.587156528707796]
  本稿では,フローベース生成モデルに基づくスケーラブルなフィルタリングアルゴリズムであるDAISIを紹介する。 DAISIは, 疎度, 雑音, 非線形の観測を行う体制において, 正確なフィルタリング結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-11-29T00:02:45Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Accurate deep learning-based filtering for chaotic dynamics by identifying instabilities without an ensemble [0.5936407204316615]
  深層学習とカオス力学のためのデータ同化スキームを発見する能力について検討する。 その焦点は、単純な残差畳み込みニューラルネットワークを用いて、状態軌跡とその観察から、DAの分析ステップを学ぶことである。
  論文  参考訳（メタデータ） (2024-08-08T19:44:57Z)
• State-observation augmented diffusion model for nonlinear assimilation with unknown dynamics [6.682908186025083]
  データ駆動同化のための新しい生成モデルであるState-Observation Augmented Diffusion(SOAD)モデルを提案する。 実験の結果、SOADは既存のデータ駆動方式と比較してパフォーマンスが向上する可能性が示唆されている。
  論文  参考訳（メタデータ） (2024-07-31T03:47:20Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)

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。