論文の概要: PDE-OBS: Controlled Evaluation Across Observation Patterns

• arxiv url: http://arxiv.org/abs/2609.36521v2
• Date: Wed, 30 Sep 2026 16:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.14742
• Title: PDE-OBS: Controlled Evaluation Across Observation Patterns
• Title（参考訳）: PDE-OBS:観測パターン間の評価制御
• Abstract要約: 本稿では,数値データ生成,モデルトレーニング,推論と評価を対象とするベンチマークプラットフォームであるPDE-OBSを紹介する。 7つの偏微分方程式系からの560,000の場と軌道を観測作用素と組み合わせている。 テストパターン毎にトレーニングされた参照を使用して、同じテスト観測とターゲットのモデルを比較する。
• 参考スコア（独自算出の注目度）: 40.0520743676604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical-field reconstruction and forecasting depend on both measurement density and spatial layout, yet evaluation under a single observation pattern does not characterize performance when that pattern changes. We introduce PDE-OBS, an integrated benchmarking platform spanning numerical data generation, model training, and inference and evaluation under varying observation conditions. It combines 560,000 fields and trajectories from seven partial differential equation families with configurable observation operators and seven adapted baseline methods for stationary reconstruction and short-horizon forecasting. Separating observation construction from physical records allows users to specify parameterized patterns and deterministic mixtures for training and testing while preserving prediction targets and data splits. The evaluation protocol uses references trained for each test pattern to compare models on identical test observations and targets, alongside equal-count groups for spatial-layout comparisons. On a 14,000-record subset, we evaluate 441 trained models under nine test patterns, yielding 3,969 evaluations. Mean cross-pattern error exceeds mean matched-pattern error in all 49 PDE-method pairs, and this finding persists in a configuration-matched subset of 117 models. Denser test observations do not consistently reduce error for a fixed model. Mixed-pattern training on five completed pairs reduces large single-pattern transfer errors, although destination-trained references usually remain more accurate. Together, the benchmark and findings support systematic evaluation of observation-pattern sensitivity and provide a reusable workflow for developing methods under changing measurement conditions. Code: https://github.com/ru1ch3n/PDE-OBS.
• Abstract（参考訳）: 物理場再構成と予測は測定密度と空間配置の両方に依存するが、単一観測パターンによる評価は、そのパターンが変化しても性能を特徴づけるものではない。 PDE-OBSは,様々な観測条件下での数値データ生成,モデルトレーニング,推論と評価を対象とするベンチマークプラットフォームである。 7つの偏微分方程式系からの560,000の場と軌跡を、構成可能な観測演算子と、定常的な再構成と短期水平予測のための7つの適応されたベースライン法を組み合わせる。 物理レコードから観測構築を分離することで、ユーザーは予測ターゲットとデータ分割を保存しながら、トレーニングとテストのためのパラメータ化されたパターンと決定論的混合を指定できる。 評価プロトコルは、各テストパターンのために訓練された参照を使用して、同一のテスト観測とターゲットのモデルを比較し、空間的レイアウト比較のための等数群を併用する。 14,000レコードのサブセットで、9つのテストパターンで441のトレーニングモデルを評価し、3,969の評価を得た。 平均パターン誤差は、49のPDE-methodペアにおいて平均整合パターン誤差を超え、117モデルの構成整合サブセットに持続する。 デンサー試験観測は固定モデルの誤差を一貫して減少させるものではない。 5つの完了したペアでの混合パターントレーニングは大きな単一パターン転送エラーを低減させるが、目的地で訓練された参照は通常より正確なままである。 このベンチマークと知見は、観測パターン感度の体系的評価をサポートし、測定条件の変更による手法開発のための再利用可能なワークフローを提供する。 コード:https://github.com/ru1ch3n/PDE-OBS。

関連論文リスト

• Scalable Diffusion SBI for Compositional Inference under Simulator Misspecification [0.0]
  設計条件設定における拡散に基づく推論のためのサンプリング法と微調整法を開発した。 HBDS(Hierarchical Blockwise Diffusion Sampling)を導入し,1つの事前学習モデルを用いて,共有パラメータとグループ固有の潜在状態を推定する。 誤特定に対処するために、我々は学習した確率を観測に適応させ、修正を後部推論に転送するパス規則化された微調整を導入する。
  論文  参考訳（メタデータ） (2026-09-29T07:55:47Z)
• Concurrency-Aware Process Model Forecasting with Causal Nets [8.339024524110828]
  プロセスモデル予測(PMF)は、将来の期間を特徴付けるプロセスモデルを予測することを目的としている。 我々はPMFを因果ネットに拡張し、関係および結合数の時系列を予測する。 得られたモデルを評価するために、部分的トレースを考慮し、適合性チェックに必要なワークフローネットを構築するプロトコルを導入する。
  論文  参考訳（メタデータ） (2026-09-18T21:59:30Z)
• Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems [0.9778150054416824]
  構造に敏感な電子プロセスに基づくシーケンシャルな診断法を提案する。 我々は、標準的な不一致チェックが、本当に間違った量の興味を生み出す不特定適合をどう受け入れるかを実証する。
  論文  参考訳（メタデータ） (2026-07-02T12:36:48Z)
• A Theoretical Framework for Statistical Evaluability of Generative Models [57.9316356505791]
  本稿では、生成モデルを評価するための理論的枠組みを導入し、一般的なメトリクスに対する評価結果を確立する。 テストベースのメトリクス、例えば積分確率測定(IPM)とレニイ発散(Rényi divergences)の2つのカテゴリについて検討する。 任意の有界テストクラスに対するIPMは、乗法および加法近似誤差まで有限標本から評価できることを示す。 対照的に、レニイとKLの発散は、希少事象によってその値が批判的に決定されるため、有限標本から評価できない。
  論文  参考訳（メタデータ） (2026-04-07T01:53:59Z)
• Empirical Characterization of Rationale Stability Under Controlled Perturbations for Explainable Pattern Recognition [0.876171257490837]
  モデル説明の整合性を評価するための新しい指標を提案する。 我々は,SST-2感情分析データセット上で,事前学習したBERTモデルを用いて,この指標を実装した。 モデル説明における誤一致予測と矛盾を識別する能力を評価する。
  論文  参考訳（メタデータ） (2026-04-06T06:05:21Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• SeFEF: A Seizure Forecasting Evaluation Framework [0.0]
  我々は,発作予測アルゴリズムの開発,評価,ドキュメントの効率化を目的としたPythonベースのフレームワークを紹介する。 このフレームワークは、データラベリング、クロスバリデーション分割、予測後処理、パフォーマンス評価、レポートを自動化する。 様々な予測水平線をサポートし、実装の詳細、トレーニングと評価設定、パフォーマンスメトリクスを文書化するモデルカードを含んでいる。
  論文  参考訳（メタデータ） (2025-10-13T11:10:27Z)
• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)

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。