論文の概要: Constrained Diffusion for Data-Scarce Orbital Monte Carlo in Constellation Tasking

• arxiv url: http://arxiv.org/abs/2610.09323v1
• Date: Wed, 07 Oct 2026 02:29:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.682317
• Title: Constrained Diffusion for Data-Scarce Orbital Monte Carlo in Constellation Tasking
• Title（参考訳）: コンステレーション処理におけるデータスカース軌道モンテカルロの拘束拡散
• Abstract要約: コンステレーションモンテカルロの結果は、タスクポリシーを評価するために用いられる軌道人口に依存する。 軌道人口増加のための制約拡散について検討した。 我々は, 発泡ブートストラップ, 層ごとのガウス, 条件付き変分オートエンコーダと拡散の比較を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constellation Monte Carlo results depend on the orbital population used to evaluate a tasking policy. With scarce reference trajectories, replay limits geometric diversity, while independent orbital-element jitter can violate physical constraints. We study constrained diffusion for orbital-population augmentation. A force-conditioned diffusion model learns a 13-dimensional orbital prior, recovering semimajor axis from perigee altitude and eccentricity; Basilisk propagates each sample under one of five force-model tiers. Using 800 reference trajectories, we compare diffusion with jittered bootstrap, per-tier Gaussian mixtures, and a conditional variational autoencoder, and evaluate distributional fidelity, support shift, classical astrodynamics diagnostics, and 4,000 paired GoDSAT-compatible campaigns. The largest diffusion model achieves held-out trajectory MMD of 0.0171 +/- 0.0239, similar to bootstrap (0.0170) and the mixture (0.0198), but samples farther from training priors (median nearest-training distance 2.7 versus 0.10 standardized units). All generators fail to match the shifted-blind population (classifier AUC 0.991-0.998). Endpoint-conditioned samples satisfy Lambert boundaries but have greater interior error than the matched Lambert reference (29.2 versus 5.7 km mean RMSE). Residual diffusion improves selected sparse forecasts and catalog-mode recall but does not outperform classical estimators on custody ranking. In a fixed 16-satellite configuration, diffusion yields similar mean custody to replay and bootstrap, while the force-tier mixture shifts custody by about 5.5 percentage points. Constrained diffusion supports local, in-support augmentation but cannot replace orbital dynamics or serve as an operational posterior. Orbital-population construction is a consequential source of uncertainty in constellation analysis.
• Abstract（参考訳）: コンステレーションモンテカルロの結果は、タスクポリシーを評価するために用いられる軌道人口に依存する。 参照軌道の少ない場合、リプレイは幾何学的多様性を制限するが、独立した軌道要素ジッタは物理的制約に違反する可能性がある。 軌道人口増加のための制約拡散について検討した。 力条件拡散モデルは13次元の軌道を前もって学習し、周囲の高度と偏心からセミメイジャー軸を回復し、バシリスクは各サンプルを5つの力モデル層のいずれかで伝播する。 800個の基準軌跡を用いて, ジッタリングブートストラップ, 層ごとのガウス混合, 条件付き変分オートエンコーダの拡散を比較検討し, 分布の忠実度, サポートシフト, 古典的天体力学診断, 4000対のGoDSAT対応キャンペーンを評価した。 最大の拡散モデルは、ブートストラップ (0.0170) と混合 (0.0198) と同様、0.0171 +/- 0.0239の保持軌道MDを達成しているが、サンプルは訓練前のもの(中央最寄りの訓練距離 2.7 対 0.10 の標準単位)より遠い。 全ての発電機はシフト翼の個体群と一致しない(分類AUC 0.991-0.998)。 エンドポイント条件のサンプルはランバート境界を満たすが、一致したランバート基準 (29.2対5.7 km=RMSE) よりも内部誤差が大きい。 残差拡散は選択されたスパース予測とカタログモードリコールを改善するが、保持率の古典的推定値を上回っない。 固定された16サテライト構成では、拡散はリプレイやブートストラップに類似した平均的保持を与える一方、力層混合は保持を約5.5ポイントシフトする。 制限された拡散は局所的、非支持的な増強をサポートするが、軌道力学を置き換えることはできず、操作後部として機能する。 軌道人口構成は、星座分析における連続的な不確実性の源である。

関連論文リスト

• Measuring Spatial Clustering via Metropolis-Hastings Diffusion Distance [3.6095388702618414]
  グラフ上の2つの確率分布の差分を$f$と$g$で表す新しい尺度を提案する。 拡散距離は、静止分布が$g$のグラフ制約マルコフ連鎖の下での$f$から$g$の収束率を測定する。 拡散距離はブロックモデルを用いて合成データに高い出力を示すことを示す。
  論文  参考訳（メタデータ） (2026-07-16T11:55:50Z)
• Anticipating the Optimism Gap: Predicting Distribution-Shift Degradation of RF-Impairment Detectors from In-Distribution Statistics [0.0]
  電波障害の検知器は、通常、調整された分布で測定された単一のAUCで報告される。 アウト・オブ・ディストリビューション・データを見る前に、この楽観主義が予測できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-20T14:10:59Z)
• Expanding SPHERE-JEPA: A Family of Statistical Regularizers for the Hypersphere [11.087393998848254]
  SSL(Self-Supervised Learning)では,単位超球面上の一様分布を明示的に強制することにより,表現の崩壊を防止することが実証された。 現在のフレームワークは通常、SIGReg(LeJEPAで使用される)やSUSReg(SPHEREJEPAで使用される)のようなスライスされた統計正規化器に依存している。 これにより、トレーニング勾配にプロジェクションのばらつきを注入し、最適化を安定化させ、収束を妨げる。 本研究では,これらのランダムな射影を解析的に統合することにより,決定論的最大平均離散性(MMD)が得られ,スライスされた手法のばらつきを回避できることを示す。
  論文  参考訳（メタデータ） (2026-06-16T07:10:05Z)
• Beyond Point Estimates: Benchmarking Uncertainty Quantification Methods on the AION-1 Astronomical Foundation Model [47.71489969727656]
  Conformalized Quantile Regression (CQR)は、最も貧弱なモデル予測で、ビン内で最高のカバレッジを提供する。 局所的妥当性判別(Locally Valid and Discriminative, LVD)フレームワークのみが、有限サンプルの局所的妥当性を提供する。
  論文  参考訳（メタデータ） (2026-06-05T18:29:19Z)
• Intrinsic effective sample size for manifold-valued Markov chain Monte Carlo via kernel discrepancy [0.31727619150610836]
  カーネルの差分に基づく効率的なサンプルサイズを提案する。 提案した量は、実験的な分布と対象の分布との間には、同じ2乗のカーネルの差が生じる独立したドローの数である。
  論文  参考訳（メタデータ） (2026-05-05T01:37:41Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
  深部異方性回帰における自己教師付き共分散推定について検討する。 正規分布の間の2-ワッサーシュタイン距離の上界を導出する。 幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
  論文  参考訳（メタデータ） (2025-02-14T22:37:11Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
  離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。 最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
  論文  参考訳（メタデータ） (2022-09-16T22:09:53Z)

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。