論文の概要: Beyond Simulation: Retain-and-Repair Neural Operators for Real-World Adaptation

• arxiv url: http://arxiv.org/abs/2609.39387v1
• Date: Wed, 30 Sep 2026 09:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.522999
• Title: Beyond Simulation: Retain-and-Repair Neural Operators for Real-World Adaptation
• Title（参考訳）: シミュレーションを超えて: 実世界の適応のための保持と修復のためのニューラル演算子
• Abstract要約: 本稿では,シミュレーション予測演算子を実世界のデータに適用するためのフレームワークであるRetain-and-Repair Neural Operator (R$2$NO)を紹介する。 このフレームワークは、実際のデータから学んだ細胞固有の選択として適応深さを扱う。 すべてのRealPDEBenchシステムと6つのバックボーンにおいて、R$2$NOは完全な微調整と反復的な洗練を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 4.6894180050630005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural operators increasingly benefit from pretraining on numerical simulations, yet adapting them for real-world prediction remains challenging. We introduce the Retain-and-Repair Neural Operator (R$^2$NO), a framework for adapting simulation-pretrained operators to real-world data while retaining useful pretrained structure. The pretrained operator is first finetuned on real data and then frozen to provide a source prediction, and a shared repair module learns a sequence of refinements from the same observations. Using orthogonal Fourier projections, a spectral ensemble fits a small ridge regression within each cell of the Fourier domain and combines the refinements by weights fitted on a held-out split of the real data. The cells are defined jointly by radial ranges, angular sectors, and measured channels, allowing refinement depth to vary with frequency magnitude, with orientation, and across channels. Including the source prediction as a candidate makes retention available in every cell, and independently trained repair modules enter the same combination as additional candidates. On all RealPDEBench systems and six backbones, R$^2$NO consistently outperforms full finetuning and iterative refinement. The framework treats adaptation depth as a cell-specific choice learned from real data.
• Abstract（参考訳）: ニューラルネットワークオペレータは、数値シミュレーションの事前トレーニングの恩恵を受けつつも、現実の予測にそれらを適応させることは、依然として困難である。 本稿では,シミュレーション前演算子を実世界のデータに適用し,有用な事前学習構造を維持しつつ,実世界のデータに適応するためのフレームワークであるRetain-and-Repair Neural Operator(R$^2$NO)を紹介する。 事前訓練された演算子は、まず実データに基づいて微調整され、その後凍結してソース予測を行い、共有修復モジュールは、同じ観測から改善のシーケンスを学習する。 直交フーリエ射影を用いて、スペクトルアンサンブルはフーリエ領域の各セルに小さな隆起レグレッションを適合させ、実データのホールドアウト分割に装着された重みによる改善を組み合わせる。 細胞は放射域、角のセクター、測定されたチャネルによって共同で定義され、微細化深度は周波数等級、方位、チャネル間によって変化する。 候補としてソース予測を含めると、すべてのセルで保持が可能となり、独立に訓練された修復モジュールは追加候補と同じ組み合わせに入る。 すべてのRealPDEBenchシステムと6つのバックボーンにおいて、R$^2$NOは完全な微調整と反復的な洗練を一貫して上回る。 このフレームワークは、実際のデータから学んだ細胞固有の選択として適応深さを扱う。

関連論文リスト

• Prior-Amortized In-Context Bayesian Inference for Generalized Linear Mixed-Effects Models [22.95834831696185]
  metabeta(メタベタ)は、GLMMに対する文脈内ベイズ推論を事前に調整したニューラルネットワークである。 連続、バイナリ、カウント結果にまたがる数百万の現実的なシミュレーションデータセットに基づいてトレーニングされている。 後部は全てのパラメータータイプでNUTSのものと密接に一致している。
  論文  参考訳（メタデータ） (2026-09-21T11:15:02Z)
• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• MIST: Mutual Information Via Supervised Training [41.02529625643583]
  我々は、相互情報(MI)推定器を設計するための完全なデータ駆動アプローチを提案する。 任意のMI推定器は、2つの確率変数から観測されたサンプルの関数であるため、ニューラルネットワーク(MIST)を用いてこの関数をパラメータ化する。 625,000の合成関節分布の大規模なメタデータセット上で、既知の接地トラスMIを用いてトレーニングを行う。
  論文  参考訳（メタデータ） (2025-11-24T09:55:28Z)
• Method of Manufactured Learning for Solver-free Training of Neural Operators [0.24554686192257422]
  Method of Manufactured Learning (MML)は、ニューラル演算子を訓練するためのソルバに依存しないフレームワークである。 MLは古典的な製造法にインスパイアされ、数値データ生成を関数合成に置き換える。 MMLは高いスペクトル精度、低い残差誤差、そして目に見えない条件への強い一般化を実現する。
  論文  参考訳（メタデータ） (2025-11-17T02:24:19Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Linearization Turns Neural Operators into Function-Valued Gaussian Processes [23.85470417458593]
  我々は、訓練されたニューラル演算子におけるベイズの不確実性定量化を近似するための新しいフレームワークLUNOを紹介する。 我々の手法はモデル線形化を利用して(ガウス的)重み空間の不確実性をニューラル作用素の予測に推し進める。 これは関数型プログラミングのカリー化の概念の確率的バージョンとして解釈でき、関数値(ガウス的)ランダムプロセスの信念を導出することを示す。
  論文  参考訳（メタデータ） (2024-06-07T16:43:54Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)
• Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
  局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。 入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。 実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
  論文  参考訳（メタデータ） (2020-06-16T18:43:31Z)

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。