論文の概要: DAWIS: Data Assimilation with Windowed Inverse Sampling via Multitask Interpolants

• arxiv url: http://arxiv.org/abs/2610.03314v1
• Date: Fri, 02 Oct 2026 13:51:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.404243
• Title: DAWIS: Data Assimilation with Windowed Inverse Sampling via Multitask Interpolants
• Title（参考訳）: DAWIS:マルチタスク補間によるウィンドウ化逆サンプリングによるデータ同化
• Abstract要約: フローおよび拡散に基づく生成モデルは、高次元非ガウスデータ同化への有望な経路を提供する。 フィルタ,固定ラグ平滑化,ブロック平滑化を網羅する統合DAメソッド**DAWIS*を導入する。 DAWISは, スパース, ノイズ, 非線形観察の下で, フィルタおよび平滑化ベースラインの双方を改善した。
• 参考スコア（独自算出の注目度）: 11.36343494337069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow- and diffusion-based generative models have recently emerged as flexible and highly efficient forecasting models for dynamical systems. When combined with inference-time guidance, they offer a promising route to high-dimensional non-Gaussian data assimilation (DA), the problem of combining forecasts with observations to estimate latent system states. Existing filters, however, condition on a fixed history and assimilate only the most recent observation, leaving them unable to revise past states when new observations arrive. Estimates then stay tethered to a history that later observations may contradict, and errors accumulate over the assimilation run. To this end, we introduce **DAWIS**, a unified DA method covering filtering, fixed-lag smoothing, and block smoothing within a single framework. DAWIS replaces the single flow time of a state-level prior with a multitask stochastic interpolant over a window of consecutive states, assigning a separate flow time to each. An assimilation cycle inverts the window to a vector of per-state turning points and regenerates it under observation guidance, with the turning points controlling how strongly each state is held fixed, revised, or generated from scratch. The same construction can also absorb the forecast into the assimilation cycle, removing the need for a separate forecasting model. Experiments on challenging nonlinear systems show that DAWIS improves on both filtering and smoothing baselines under sparse, noisy, and nonlinear observations. The code for DAWIS is available at https://github.com/Erik-Wikingsson/DAWIS
• Abstract（参考訳）: 流れと拡散に基づく生成モデルは近年,動的システムの柔軟かつ高効率な予測モデルとして出現している。 推定時ガイダンスと組み合わせることで、予測と観測を組み合わせ、潜伏したシステム状態を推定する問題である高次元非ガウスデータ同化(DA)への有望な経路を提供する。 しかし、既存のフィルターは、固定された歴史を条件として、最新の観測のみを同化し、新しい観測が到着した時点では過去の状態を修正できない。 推定は、後続の観測が矛盾する可能性がある歴史に結びついており、同化の実行時にエラーが蓄積される。 この目的のために、**DAWIS**は、フィルタリング、固定ラグの平滑化、ブロックの平滑化を1つのフレームワークでカバーする統合DAメソッドである。 DAWISは、状態レベルの前の単一のフロータイムを、連続状態のウィンドウ上のマルチタスク確率補間子に置き換え、それぞれに個別のフロータイムを割り当てる。 同化サイクルは、ウィンドウを状態毎の旋回点のベクトルに反転させ、観察誘導の下で再生する。 同じ構成では、予測を同化サイクルに吸収し、別の予測モデルの必要性を取り除くこともできる。 難解な非線形系の実験では、DAWISはスパース、ノイズ、非線形観察の下で、フィルタリングと平滑化ベースラインの両方を改善している。 DAWISのコードはhttps://github.com/Erik-Wikingsson/DAWISで公開されている。

関連論文リスト

• EnJoi: Ensemble Joint Score Filter for Generative Data Assimilation [12.203679037551938]
  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。
  論文  参考訳（メタデータ） (2026-09-28T16:28:26Z)
• Multimodal Spatiotemporal Atmospheric Data Assimilation with Latent Video Flow-matching [2.225353152447347]
  我々は、大気データ同化に対する根本的に異なる統一的なアプローチを提案する。 我々は、事前訓練した時間的一貫した軌跡をサンプリングするために、潜時ビデオフローマッチングを用いる。 スパース観測から直接フルステートアンサンブル予測を生成する。
  論文  参考訳（メタデータ） (2026-08-05T17:42:29Z)
• ForcingDAS: Unified and Robust Data Assimilation via Diffusion Forcing [24.41363445015799]
  我々は、統一的で堅牢なデータ同化フレームワークForcingDASを紹介する。 ForcingDASはフレーム間遷移の代わりに、ジョイント軌道を学習する。 我々は,2次元ナビエ-ストークス渦性,降水流,大域大気状態推定におけるForcingDASの評価を行った。
  論文  参考訳（メタデータ） (2026-05-14T02:34:33Z)
• 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)
• 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)
• 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)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• 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。