論文の概要: Spatial Context or Memory? Sizing the Inputs of Neural Surrogates for Partially Observed Fields

• arxiv url: http://arxiv.org/abs/2610.12723v2
• Date: Wed, 14 Oct 2026 22:37:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.819229
• Title: Spatial Context or Memory? Sizing the Inputs of Neural Surrogates for Partially Observed Fields
• Title（参考訳）: 空間的文脈か記憶か? 部分観測領域に対するニューラルサロゲートの入力のサイズ化
• Abstract要約: ノイズの多いセンサーは、近くのセンサーの窓と過去のスナップショットの履歴を読み取る。 同一読解のベイズ最適誤差に対するウィンドウと履歴のトレードオフを測定する。 我々はバーガースフローとカオスな倉本-シヴァシンスキー方程式に基づいてそのようなモデルを訓練する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural surrogates that forecast a physical field from sparse, noisy sensors read a window of nearby sensors and a history of past snapshots. Practitioners choose both by comparing fitted models with each other. Such comparisons cannot tell a model's shortfall from missing information. We measure the trade-off between window and history against the Bayes-optimal error of the same readings. An exact Gaussian analysis shows that noisy or sparse observation of a field with local dynamics makes the optimal forecast read distant sensors only through spatial correlation. On a forced linear field with a known optimum, trained models that read only the window come within 1% of it. We then train such models on viscous Burgers flow and the chaotic Kuramoto-Sivashinsky (KS) equation, with every deciding comparison fixed before any test evaluation. In every field except KS, eight snapshots remove a smaller fraction of the one-snapshot error as the lead time, the number of steps to the forecast target, grows. In KS, for windows up to one correlation length, they remove a larger fraction. This lead-time inversion persists across sensor densities, three architectures and a two-dimensional domain. It shrinks as damping lowers the Lyapunov exponent. Damping also removes the linear instability of KS. We therefore tie the inversion to instability and leave chaos and linear amplification unseparated. For surrogate design the results give two rules. Size the window in correlation lengths of the field. Split a fixed input budget between window and history for the lead time the model will serve, because the best split moves toward wider windows as the lead time grows. In Burgers flow the split chosen at lead time one ends with 13.5 times the best error at lead time eight.
• Abstract（参考訳）: ノイズの多いセンサーは、近くのセンサーの窓と過去のスナップショットの履歴を読み取る。 実践者は、適合したモデルと互いに比較することによって両方を選択する。 このような比較は、モデルが不足している情報から不足していることを区別できない。 同一読解のベイズ最適誤差に対するウィンドウと履歴のトレードオフを測定する。 正確なガウス解析により、局所力学を持つフィールドのノイズやスパースな観測により、空間的相関によってのみ最適な予測が読み取られることが示された。 既知の最適値を持つ強制線形場において、ウィンドウのみを読み込む訓練されたモデルは、その1%以内に現れる。 次に、粘性バーガース流とカオスな倉本・シヴァシンスキー方程式に基づいて、任意の試験評価の前にすべての決定比較が固定されるように、そのようなモデルを訓練する。 KS以外のすべてのフィールドにおいて、8つのスナップショットは1回のスナップショットエラーのごく一部をリードタイムとして取り除き、予測対象へのステップ数が増える。 KSでは、1つの相関長までのウィンドウに対して、より大きな割合を除去する。 このリードタイム反転は、センサ密度、3つのアーキテクチャ、2次元領域にまたがって持続する。 減衰がリャプノフ指数を下げるにつれて減少する。 ダンピングはKSの線形不安定性も除去する。 したがって、インバージョンを不安定に結び付け、カオスと線形増幅を分離せずに残します。 シュロゲート設計では、結果は2つのルールを与える。 フィールドの相関長でウィンドウをサイズする。 ウィンドウと履歴の間に固定された入力予算を分割して、モデルが提供するリードタイムを分割する。 バーガースフローでは、リードタイムで選択された分割は、リードタイム8の13.5倍のエラーで終了する。

関連論文リスト

• Representation Risk in Pretrained Image Encoders [0.0]
  提案手法では, 有意な事前学習エンコーダが同一画像を異なる特徴空間にマッピングし, 予測性能から顕著に異なるアウト・オブ・サンプルの結論が得られることを示す。 住宅価格,競走馬のパフォーマンス,乳がん組織学,胸部X線写真,連続顔面年齢,イネ病などを含む10種類の近代的,遺産の冷凍エンコーダを比較した。
  論文  参考訳（メタデータ） (2026-09-28T15:53:26Z)
• A Differentiable Optimization Framework for Registering Sequential Bounding Boxes with Point Cloud Stream [7.545487679305508]
  L-BFGSと組み合わせてすべてのポーズを解く。 配向アライメントは推定速度と相関し,その推定値がノイズとなるとフェールする。 地道なルールは、時間スケールを選択し、すべてのトラックを粗さ予算内に保持することができる。
  論文  参考訳（メタデータ） (2026-09-28T01:41:58Z)
• How Good Can Linear Models Be for Time-Series Forecasting? [1.558068541168739]
  閉形式解と解釈可能な重みを持つので、テストベッドとしてリッジ回帰を用いる。 コンテクスト長,局所正規化,正規化,および8つの標準ベンチマーク上の拡張を探索する。 その結果得られたモデルは、ほとんどのデータセット水平エントリで以前の線形予測器を破り、8つのベンチマークのうち6つのベースラインであるTransformerを上回った。
  論文  参考訳（メタデータ） (2026-06-25T16:57:50Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
  我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。 SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-10T17:15:49Z)
• Test Set Sizing for the Ridge Regression [51.56484100374058]
  訓練行数mが大きくなる限界において、リッジ回帰のための理想的な列車/試験分割を高精度に導出する。 このような分割が、大規模なデータ制限下で機械学習モデルに対して数学的に計算されるのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-04-27T13:17:18Z)
• Low Rank Field-Weighted Factorization Machines for Low Latency Item Recommendation [2.2202705655178745]
  ファクトリゼーションマシン(FM)の変種は、厳格なスループットとレイテンシ要求の下で動作するレコメンデーションシステムで広く使われている。 対角および対称低ランク分解を用いたFwFMにおけるプルーニングの代替法を提案する。 攻撃的なランク低下は、精度と項目推薦速度の両方において、同様にアグレッシブプルーニングに優れることを示す。
  論文  参考訳（メタデータ） (2024-07-22T14:08:37Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate Time Series [0.0]
  時系列の異常検出,特に多変量時系列(複数センサ付き時系列)は,ここ数年にわたって注目されてきた。 ニューラルネットワークを含む既存の方法は、タイムスタンプの観点からのみ、関係に集中する。 提案手法では,グラフニューラルネットワークから派生したGATを用いて,センサ間の接続を求める。 また,VAE(Variational Auto-Encoder)による予測損失と復元損失を両立させる手法も提案している。
  論文  参考訳（メタデータ） (2022-11-22T10:17:42Z)

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。