論文の概要: Learning Field Reconstruction from Incomplete Data by Globally Correcting Local Estimates

• arxiv url: http://arxiv.org/abs/2610.05375v1
• Date: Sun, 04 Oct 2026 17:06:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.416993
• Title: Learning Field Reconstruction from Incomplete Data by Globally Correcting Local Estimates
• Title（参考訳）: 局所推定値のグローバル補正による不完全データからのフィールド再構築
• Abstract要約: 常に不完全なトレーニングサンプルから物理場を再構築するには、断片化された観測から空間構造を学ぶ必要がある。 本研究では,局所的なフィールド推定を明示的に学習し,全領域の観測により修正するグローバル修正可能な推定器を提案する。 我々の推定器は、3つの実世界の海洋データセット上で最も低いMSIと最も高いPSNRを達成する。
• 参考スコア（独自算出の注目度）: 5.228946412464325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing physical fields from training samples that are always incomplete requires learning spatial structure from fragmented observations.Existing context--query work establishes how held-out observations provide valid training targets, but this does not make the complete-field distribution identifiable when every training field is incomplete.With finite data, weak evidence of sharp transitions and localized variations can further favor averaged predictions that attenuate local detail.A structural prior is therefore needed to favor plausible completions; local spatial relationships offer one grounded in the observations.We propose a locally constructed, globally revisable estimator that explicitly learns local field estimates and subsequently corrects them using full-domain observations.A shared coordinate-conditioned predictor learns from incomplete patches, allowing relatively well-observed neighborhoods to provide direct supervision of local structure.Its overlapping predictions are reconciled into an observation-conditioned consensus field.A full-domain estimator retains the original observations and learns a residual correction around this frozen field estimate, allowing locally constructed structure to be revised by broader evidence.The local estimate serves as both an explicit input, accompanied by its discrepancies with the observations, and a prediction starting point that the global model can revise.On three real-world ocean datasets with authentic observation gaps, our estimator achieves the lowest MSE and highest PSNR on withheld source-supported values, reducing MSE by 28.9\%--34.5\% against the strongest external baseline.
• Abstract（参考訳）: 常に不完全であるトレーニングサンプルから物理場を再構築するには、断片的な観察から空間構造を学習する必要がある。既存のコンテクスト-クエリーワークは、保持された観察が有効なトレーニングターゲットを提供する方法を確立するが、これは、すべてのトレーニングフィールドが不完全であるときに、完全なフィールド分布を識別するものではない。有限データにより、鋭い遷移と局所的変動の弱い証拠は、局所的な詳細を弱める平均的な予測を更に好むことができる。したがって、構造的事前は、可視的な完了を優先するために必要である。局所的な空間関係は、観察に根ざしたものを提供する。局所的に構築され、局所的な再変更可能な推定器は、局所的なフィールド推定を明示的に学習し、完全な領域観察を用いて修正する。共有座標条件予測器は、完全完全で、局所的に観察された局所的な観察の監督を可能にすることができる。これは、局所的な視野の監督が伴う、局所的な視野の監督の監督にほぼ順応するものである。

関連論文リスト

• ProCTI: Prototype-Refined Global Conditioning for Diffusion-Based Time Series Imputation [9.278307561691037]
  ProCTIは、学習したプロトタイプを通じて、検索したグローバルデータセットレベルの事前処理でローカルコンディショニングを強化する拡散インプットフレームワークである。 ハイブリッド条件付け機構は、このグローバルコンテキストを逆拡散中の局所的な信号と統合し、異なる欠損シナリオ下でより正確な再構成を可能にする。
  論文  参考訳（メタデータ） (2026-09-29T14:04:03Z)
• Radiomap Blind Prediction under Incomplete Observation: Error Characterization and Correctable Propagation-Prior Learning [82.201505479186]
  レーダマップブラインド予測は,観測可能な伝搬環境の表現と基地局構成から,フィールド計測なしで電波マップを推定することを目的としている。 不完全な観察の下で、決定論的無線マップブラインド予測の人口レベル理論を確立した。 我々は,RadioDecompが事前誘導予測器を補正可能なベースとして扱い,残差補正によりその残差を学習することを示す。
  論文  参考訳（メタデータ） (2026-09-26T18:08:41Z)
• Federated Targeted Maximum Likelihood Estimation [15.722746871859593]
  クロスサイロ学習は計算をデータに移動させ、合意された要約を交換する。 我々は2つのサイロを通して、任意の目標、損失、変動家族のためのターゲティング自体を連携させた。 FedTMLEGは、局所的な勾配を集約し、ステップの集中的なターゲティングステップを再現する。 FedTMLELは、各機関が適合した更新を単一に交換する前に、独自のゆらぎを完了させる。
  論文  参考訳（メタデータ） (2026-09-24T19:43:40Z)
• Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
  LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。 対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
  論文  参考訳（メタデータ） (2026-03-03T03:34:06Z)
• SENDAI: A Hierarchical Sparse-measurement, EfficieNt Data AssImilation Framework [2.070436148502153]
  SENDAIは階層的なスパース測定フレームワークであり、スパースセンサー観測から全空間状態を再構築する。 SENDAIは従来のベースラインよりも185%の最大SSIM改善を実現し、最近の高周波ベースの手法よりも36%改善した。
  論文  参考訳（メタデータ） (2026-01-29T12:58:54Z)
• Tackling Incomplete Data in Air Quality Prediction: A Bayesian Deep Learning Framework for Uncertainty Quantification [6.665519965608339]
  本研究は,リアルタイム車載モバイル監視など,新興センシングパラダイムにおける不完全な観察を伴って,信頼度の高い深層学習に基づく時間的予測の基礎を築いた。
  論文  参考訳（メタデータ） (2025-11-04T01:42:00Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Distributionally Robust Local Non-parametric Conditional Estimation [22.423052432220235]
  非パラメトリックな局所推定を生成する分布安定な新しい推定器を提案する。 一般には難解であるにもかかわらず、局所推定器は凸最適化によって効率的に見つけることができることを示す。 合成およびMNISTデータセットを用いた実験は、この新しいクラスの推定器の競合性能を示している。
  論文  参考訳（メタデータ） (2020-10-12T00:11:17Z)

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。