論文の概要: Learning smooth dynamics via Kinematic Interpolants

• arxiv url: http://arxiv.org/abs/2610.22519v1
• Date: Thu, 15 Oct 2026 18:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.619848
• Title: Learning smooth dynamics via Kinematic Interpolants
• Title（参考訳）: 運動学補間による滑らかなダイナミクスの学習
• Abstract要約: 本稿では,位相空間におけるスナップショット間の非線形ダイナミクスを推論するための補間器の方法論を拡張する新しいフレームワークであるKinematic Interpolants (KI)を紹介する。 KIはトレーニング時間の一部を必要としながら,既存のベースラインと比較して,基礎となるダイナミクスの再構築に優れることを示す。
• 参考スコア（独自算出の注目度）: 17.040839753014854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring dynamics from real-world experimental data is inherently ambiguous, as many plausible dynamical systems can explain the same positional observations at measurement times. For higher fidelity modeling of applications ranging from single-cell RNA to vortex dynamics and even flocking of birds, scientific observables increasingly also include velocity estimates that serve to resolve this issue. However, incorporating this rich information in a scalable manner, free of simulation or unnecessary approximations, has remained a difficult challenge. In this paper, we introduce Kinematic Interpolants (KI), a novel framework that extends the seminal methodology of stochastic interpolants to infer nonlinear dynamics across multiple snapshots in phase space, i.e., observables with position and velocity measurements. Empirically, we demonstrate that across several scientific datasets, KI achieves superior reconstruction of the underlying dynamics compared to existing baselines while requiring only a fraction of the training time.
• Abstract（参考訳）: 実世界の実験データから力学を推定することは本質的に不明瞭であり、多くの実証可能な力学系は測定時の同じ位置観察を説明できる。 単細胞RNAから渦力学、さらには鳥の群れに至るまでの応用の高忠実度モデリングのために、科学的観測値にはこの問題を解決するための速度推定も含まれている。 しかし、このリッチな情報を、シミュレーションや不要な近似のないスケーラブルな方法で組み込むことは、依然として難しい課題である。 本稿では,位相空間における複数のスナップショット,すなわち位置と速度の測定値を含む可観測物間での非線形ダイナミクスを推論するために,確率的補間器のセミナル方法論を拡張する新しいフレームワークであるKinematic Interpolants (KI)を紹介する。 実験により、いくつかの科学的データセットにおいて、KIはトレーニング時間をほんの少しだけ必要としながら、既存のベースラインに比べて基礎となるダイナミクスの再構築が優れていることを実証した。

関連論文リスト

• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Neural Dynamic Modes: Computational Imaging of Dynamical Systems from Sparse Observations [15.985271131617475]
  暗黙的ニューラル表現と動的モード分解(DMD)を組み合わせたモデルフリーフレームワークであるNeuralDMDを提案する。 我々は,北米上空の風速場をスパースステーション観測から再構築し,銀河中心ブラックホールSgr A*付近のプラズマの進化を回復する2つの実世界の問題に対して,NeuralDMDを検証した。 どちらのケースでも、NeuralDMDは確立されたベースラインよりも優れており、地球科学、天文学、その他の分野における力学系をイメージングするための一般的なツールとしての可能性を示している。
  論文  参考訳（メタデータ） (2025-07-03T18:05:56Z)
• 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)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
  本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。 本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
  論文  参考訳（メタデータ） (2025-02-11T22:14:30Z)
• Automated Global Analysis of Experimental Dynamics through Low-Dimensional Linear Embeddings [3.825457221275617]
  非線形力学系に対する低次元線形モデルを導出するためのデータ駆動型計算フレームワークを提案する。 このフレームワークは、基盤となるシステム構造をキャプチャする解釈可能な線形モデルを通じて、大域的な安定性解析を可能にする。 本手法は, 物理, 気候科学, 工学などの分野にまたがる複雑な力学挙動を解析するための, 有望な経路を提供する。
  論文  参考訳（メタデータ） (2024-11-01T19:27:47Z)
• Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
  主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。 機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。 提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
  論文  参考訳（メタデータ） (2021-08-11T18:05:55Z)
• Learning Continuous System Dynamics from Irregularly-Sampled Partial Observations [33.63818978256567]
  グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。 高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。 我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
  論文  参考訳（メタデータ） (2020-11-08T01:02:22Z)

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。