論文の概要: LD-EnFF: Latent-Dynamics Ensemble Flow Filtering for Data Assimilation with Sparse Observations

• arxiv url: http://arxiv.org/abs/2610.04034v1
• Date: Fri, 02 Oct 2026 20:38:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 20:50:27.826309
• Title: LD-EnFF: Latent-Dynamics Ensemble Flow Filtering for Data Assimilation with Sparse Observations
• Title（参考訳）: LD-EnFF:スパース観測とデータ同化のための潜時流体エンサンブルフローフィルタ
• Abstract要約: 本稿では,予測伝搬とフィルタ更新の両方を,コンパクトな潜在空間で行うシーケンシャルなフィルタリングフレームワークを提案する。 LD-EnFFはコルモゴロフ流、津波伝播、大気モデルにまたがるベンチマークにおいて、幅広いデータ同化アルゴリズムよりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 7.174856662381964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data assimilation combines model forecasts with noisy, incomplete observations to estimate the evolving state of a dynamical system. Existing methods face two compounding challenges: high-dimensional nonlinear dynamics make repeated forward simulation computationally expensive, while sparse observations provide limited direct information about the full state. To address these challenges, we propose the Latent-Dynamics Ensemble Flow Filter (LD-EnFF), a sequential Bayesian filtering framework that performs both forecast propagation and filtering updates in a compact latent space. LD-EnFF combines a latent dynamics surrogate for ensemble propagation with a variational autoencoder (VAE)-based observation model that evaluates a state-dependent observation likelihood in latent space. At each assimilation step, an ensemble filtering update based on flow matching uses the forecast ensemble and this likelihood to generate posterior samples, jointly updating latent states and uncertain parameters. This design avoids repeated full-state simulation during forecasting and full-field reconstruction during likelihood evaluation. LD-EnFF substantially outperforms a broad range of data assimilation algorithms on benchmarks spanning Kolmogorov flow, tsunami propagation, and atmospheric modeling, all featuring complex dynamics and sparse, noisy observations.
• Abstract（参考訳）: データ同化は、モデル予測とノイズ、不完全な観測を組み合わせることで、力学系の進化状態を推定する。 既存の手法では、2つの複合的な課題に直面している: 高次元の非線形力学は、連続したフォワードシミュレーションを計算的に高価にし、スパース観測はフル状態に関する限られた直接的な情報を提供する。 これらの課題に対処するために,予測伝搬とフィルタ更新の両方をコンパクトな潜在空間で行う逐次ベイズフィルタフレームワークであるLatent-Dynamics Ensemble Flow Filter (LD-EnFF)を提案する。 LD-EnFFは、エンサンブル伝播のための潜時ダイナミクスサロゲートと変分オートエンコーダ(VAE)に基づく観測モデルを組み合わせることで、潜時空間における状態依存的な観測可能性を評価する。 各同化ステップにおいて、フローマッチングに基づくアンサンブルフィルタリング更新は、予測アンサンブルとこの可能性を利用して後続サンプルを生成し、潜伏状態と不確実なパラメータを共同で更新する。 この設計は, 予測および確率評価中のフルフィールド再構成において, 実状態シミュレーションの繰り返しを回避する。 LD-EnFFはコルモゴロフ流、津波伝播、大気モデルにまたがるベンチマークにおいて、様々なデータ同化アルゴリズムを大幅に上回る。

関連論文リスト

• ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model [53.15040805435013]
  視覚言語モデル(VLM)は、一様にサンプリングされたフレームを解析することで、強力なセマンティックグラウンドと一般的な知識を提供する。 本稿では,高密度フレーム・ダイナミックス・モデリングと長軸意味指導を組み合わせたVLM誘導型JEPA型潜在世界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T17:59:42Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Whenever, Wherever: Towards Orchestrating Crowd Simulations with Spatio-Temporal Spawn Dynamics [65.72663487116439]
  ニューラル・テンポラル・ポイント・プロセスを用いて生成時間生成ダイナミクスをモデル化するnTPP-GMMを提案する。 我々は,nTPP-GMMを用いた3つの実世界のデータセットのシミュレーションによるアプローチの評価を行った。
  論文  参考訳（メタデータ） (2025-03-20T18:46:41Z)
• 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)
• Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
  医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。 本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
  論文  参考訳（メタデータ） (2024-10-08T01:27:46Z)
• Latent-EnSF: A Latent Ensemble Score Filter for High-Dimensional Data Assimilation with Sparse Observation Data [4.027368782323261]
  本研究では,非線形ベイズフィルタの観測における高次元化と高空間化の課題に対処するため,新しいデータ同化手法であるLatent-EnSFを提案する。 本研究では,浅波伝搬と中距離気象予報の複雑なモデルを用いた2つの難題に対して,Latent-EnSFの高精度,高速収束,高効率性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T04:43:20Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)

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。