論文の概要: Cross-Material Magnetic Core Loss Prediction via Operating-Condition Matching and Partial Optimal Transport
- arxiv url: http://arxiv.org/abs/2610.14964v1
- Date: Sat, 10 Oct 2026 14:36:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 03:06:09.075434
- Title: Cross-Material Magnetic Core Loss Prediction via Operating-Condition Matching and Partial Optimal Transport
- Title（参考訳）: 動作条件整合と部分最適輸送による磁気コア損失予測
- Abstract要約: クロスマテリアル磁気コア損失予測は、限られた測定値で新しい材料応答に適応する必要がある。
本稿では,条件付き部分最適輸送に基づくトランスフォーマー転送方式であるT-PCOTを提案する。
- 参考スコア（独自算出の注目度）: 23.35998085718822
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-material magnetic core loss prediction requires adapting to new material responses with limited measurements. Global feature alignment overlooks differences in source and target excitation coverage. This motivates selecting comparable samples and controlling each source measurement's alignment contribution. This paper proposes T-PCOT, a Transformer transfer method based on condition-supported partial optimal transport. Frequency, flux excursion, temperature, and waveform descriptors define a sparse graph of comparable operating conditions. A capacity-constrained transport plan distributes alignment across source measurements and leaves costly target mass unmatched. The plan is constructed from measured inputs before training and guides local waveform-feature consistency. An importance-weighted sampling scheme preserves both uniform source regression and the transport objective during minibatch optimization. Experiments on three material pairs and three target label budgets show that T-PCOT reduces mean relative error (MRE) and 95th-percentile error (P95) relative to Transformer-based multiple-kernel maximum mean discrepancy (T-MKMMD) in all nine comparisons. Macro MRE decreases from 12.60% to 9.65%, and macro P95 from 30.94% to 25.06%, corresponding to relative reductions of 23.41% and 19.01%. Controlled comparisons and ablations examine the roles of input processing, condition correspondence, and source capacity. The results demonstrate the predictive advantage of organizing cross-material alignment through operating-condition support over the compared global alignment method. The proposed method achieves state-of-the-art predictive performance in magnetic core loss transfer learning.
- Abstract（参考訳）: クロスマテリアル磁気コア損失予測は、限られた測定値で新しい材料応答に適応する必要がある。
グローバルな特徴アライメントは、ソースとターゲットの励起カバレッジの違いを見落としている。
これは、同等のサンプルを選択し、各ソース測定のアライメントコントリビューションを制御する動機である。
本稿では,条件付き部分最適輸送に基づくトランスフォーマー転送方式であるT-PCOTを提案する。
周波数、フラックス抽出、温度、波形記述子は、同等の操作条件のスパースグラフを定義する。
キャパシティに制約のある輸送計画では、ソース計測にまたがってアライメントを分散し、コストのかかる目標質量を未整合のままにしておく。
この計画は、トレーニング前に測定された入力から構築され、局所的な波形-機能一貫性を導く。
重み付けされたサンプリング方式は、ミニバッチ最適化時の一様ソース回帰と輸送目標の両方を保存する。
3つの材料対と3つの目標ラベル予算の実験により、T-PCOTはトランスフォーマーベースのマルチカーネル最大平均誤差(T-MKMMD)と比較して平均相対誤差(MRE)と95%パーセンタイル誤差(P95)を減少させることが示された。
マクロMREは12.60%から9.65%に減少し、マクロP95は30.94%から25.06%に減少し、23.41%と19.01%に減少する。
制御された比較と短縮は、入力処理、条件対応、およびソースキャパシティの役割を調べる。
その結果, 比較した大域的アライメント法に対して, 動作条件の支援を通じて, クロスマテリアルアライメントを組織化することの予測上の利点が示された。
提案手法は,磁気コア損失伝達学習における最先端の予測性能を実現する。
関連論文リスト
- PMosFM: Preconditioned Manifold Matching for One-Step Physics-Constrained Generation [47.34605477768213]
textbf Preconditioned textbfManifold textbfone-textbfstep textbfFlow textbfMatching (textbfPMosFM) は1ステップの物理制約付き生成のための事前条件付き多様体マッチングフレームワークである。
多様体デコーダの制約を符号化することにより、PMosFMは残留損失と終端残差を分離することなく固有座標の輸送を学習する。
論文 参考訳（メタデータ） (2026-09-30T17:48:21Z) - One-Step Generative Modeling via Unbalanced Optimal Transport [15.281826840525826]
大規模トレーニングでは、フィールドは生成されたサンプルと実際のサンプルの有限のミニバッチから計算される。
生成されたサンプルと実際のサンプルは非対称に処理されるべきであり、実際のサンプルに割り当てられた質量は、生成されたサンプルを全て輸送しながら適応させることができる。
本研究の目的は, 生成サンプル境界を固定し, 実データ境界のみを緩和する不均衡最適輸送勾配流(UOT-GF)を提案することである。
論文 参考訳（メタデータ） (2026-09-26T15:17:31Z) - DISA: Offline Importance Sampling for Distribution-Matching LLM-RL [56.9445657766829]
本稿では、このキャリブレーション問題をRLループの外に移動させるdisAを紹介する。
DISAは提案トラジェクトリをオフラインに描画し、重要サンプリングによってパーティション関数を推定し、結果として発生するパーティション関数の推定を凍結する。
6つの数学と3つのコードベンチマークにまたがる2つのオープンウェイトなバックボーンでは、DisdisAはオンラインに結合した分散マッチングベースラインフローにマッチするか、超えている。
論文 参考訳（メタデータ） (2026-05-17T07:14:44Z) - On Variance Reduction in Learning Mean Flows [7.705995307512647]
平均フロートレーニングは不安定で、非減少損失と非バウンド勾配のばらつきがある。
我々は,この病態を条件速度場の誤用とみなす理論を確立した。
我々は、閉形式の最適係数を導出し、並列処理における修正の族が、同じ最適化の異なる実践的実現に対応することを示す。
論文 参考訳（メタデータ） (2026-05-10T00:32:53Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - Conditional Unbalanced Optimal Transport Maps: An Outlier-Robust Framework for Conditional Generative Modeling [9.488297561764211]
条件不均衡最適輸送(CUOT)問題は、シスジールの発散による条件分布整合制約を緩和する。
三角形$c$-transformパラメーターを用いた外乱条件生成モデルである条件不均衡最適輸送マップ(CUOTM)を提案する。
2次元合成および画像スケールのデータセットを用いた実験により,CUOTMはより優れた出力ロバスト性および競合分布マッチング性能が得られることを示した。
論文 参考訳（メタデータ） (2026-03-07T01:21:32Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Weighted Conditional Flow Matching [26.88652399504886]
条件付きフローマッチング(CFM)は、連続正規化フローをトレーニングするための強力なフレームワークとして登場した。
本稿では,Gibsカーネルで各トレーニングペアを$(x, y)$に重み付けすることで,古典的CFM損失を補正する手法として,重み付き条件付きフローマッチング(W-CFM)を提案する。
論文 参考訳（メタデータ） (2025-07-29T22:42:51Z) - Multimodal Bearing Fault Classification Under Variable Conditions: A 1D CNN with Transfer Learning [0.46085106405479537]
軸受の故障は、最大90%の機械的欠陥を構成する。
本研究では,マルチモーダル軸受断層分類手法を提案する。
1次元畳み込みニューラルネットワーク(1D CNN)フレームワーク内の振動と運動相電流信号に依存する。
論文 参考訳（メタデータ） (2025-02-23T19:11:25Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z)
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。