論文の概要: Generative Refinement Learning for Temporal Interpolation in Scientific Machine Learning

• arxiv url: http://arxiv.org/abs/2610.36751v1
• Date: Tue, 27 Oct 2026 07:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.531863
• Title: Generative Refinement Learning for Temporal Interpolation in Scientific Machine Learning
• Title（参考訳）: 科学機械学習における時間補間のための生成的補間学習
• Abstract要約: 固定格子点における平均的な観測は誤差を生じさせる可能性があり、運動推定だけでは物理場の値がどう変化するかは決定できない。 まず,各格子点における2つの観測値の重み付き平均値を用いて,その不足領域を補間的フラウ・エクスパートで推定する。 トレーニング中、観測された中間体からこの推定を減じると、条件拡散モデルが生成することを学習する残余が得られる。
• 参考スコア（独自算出の注目度）: 51.277198654134615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computationally expensive simulations and real-world observations often provide data at a lower temporal resolution than downstream tasks require. Averaging observations at fixed grid points can introduce errors, and motion estimates alone do not determine how the physical field values change. In this work, we study whether learning to correct a simple numerical interpolation improves the reconstruction of intermediate scientific fields. Our model, interpolative FLow EXpert (iFLEX), first estimates the missing field by taking a weighted average of the two observations at each grid point, giving more weight to the observation closer to the requested time. During training, subtracting this estimate from an observed intermediate field gives the residual that a conditional diffusion model learns to generate. Both observations condition the model, together with the target time, the interval between observations, and available physical parameters. To reconstruct an unobserved intermediate field, the generated residual is added to the weighted average. We evaluate iFLEX on Navier-Stokes Kraichnan turbulence, Shanghai radar precipitation, and sea surface temperature. Across these datasets, iFLEX achieves lower reconstruction error than the evaluated baselines, including optical-flow and diffusion models developed for video frame interpolation in computer vision. In a controlled turbulence comparison at a Reynolds number of 36,000, learning the residual reduces relative Frobenius norm error from about 13.7 for direct field generation to 10.5, with the diffusion backbone and training setup held fixed. Code is available at https://github.com/paulpuren/iflex.
• Abstract（参考訳）: 計算に高価なシミュレーションや実世界の観測は、下流のタスクよりも低い時間分解能でデータを提供することが多い。 固定格子点における平均的な観測は誤差を生じさせる可能性があり、運動推定だけでは物理場の値がどう変化するかは決定できない。 本研究では、単純な数値補間を補正する学習が、中間的な科学分野の再構築を改善するかどうかを考察する。 補間的FLow Expert (iFLEX) モデルでは,まず,各格子点における2つの観測の重み付け平均を算出し,要求時間に近い観測に重みを与える。 トレーニング中、観測された中間体からこの推定を減じると、条件拡散モデルが生成する残留物が得られる。 どちらの観測も、対象時間、観測間隔、利用可能な物理パラメータとともにモデルに条件を付ける。 未観測の中間体を再構成するために、生成した残留物を重み付き平均に加算する。 我々は,Navier-Stokes Kraichnan乱流,上海レーダの降水量,海面温度についてiFLEXを評価した。 これらのデータセット全体で、iFLEXは、コンピュータビジョンにおけるビデオフレーム補間のために開発された光フローや拡散モデルを含む評価ベースラインよりも低い再構成誤差を達成する。 レイノルズ数36,000の制御された乱流比較では、残差が相対的なフロベニウスノルム誤差を13.7から10.5に減少させ、拡散バックボーンとトレーニング設定が固定される。 コードはhttps://github.com/paulpuren/iflex.comから入手できる。

関連論文リスト

• A Unified Framework for Bayesian Data Assimilation with Generative Models and Observation Interpolants [0.0]
  本研究では,事前学習した補間材,フローマッチング,拡散モデルを再学習せずに後部サンプルに変換する観察補間フレームワークを提案する。 我々は, 線形および二次元力学, 2次元ナビエ・ストークス, 都市気流の枠組みを最大自由度$O(104)$まで評価した。
  論文  参考訳（メタデータ） (2026-10-02T14:46:44Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• RDPI: A Refine Diffusion Probability Generation Method for Spatiotemporal Data Imputation [4.251739849724956]
  インキュベーションは交通流のモニタリング、大気質の評価、気候予報など様々な分野で重要な役割を担っている。 センサによって収集されたデータは、しばしば時間的不完全性に悩まされ、蓄積と不均一な分布は、データ不足につながる。 本稿では,初期ネットワークと条件拡散モデルに基づく2段階改良型確率計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T08:06:00Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Reducing Spatial Discretization Error on Coarse CFD Simulations Using an OpenFOAM-Embedded Deep Learning Framework [0.7223509567556214]
  本研究では,深層学習を用いたシミュレーションの品質向上により,流体力学問題の空間的離散化誤差を低減する手法を提案する。 我々は、粗いグリッドの離散化に投射した後、細粒度のデータでモデルをフィードする。 我々は、セル中心からフェイス値への速度を補間するフィードフォワードニューラルネットワークにより、対流項のデフォルトの差分スキームを置換し、ダウンサンプリングされた微細グリッドデータをよく近似する速度を生成する。
  論文  参考訳（メタデータ） (2024-05-13T02:59:50Z)
• The Surprising Effectiveness of Diffusion Models for Optical Flow and Monocular Depth Estimation [42.48819460873482]
  拡散確率モデルは、その印象的な忠実さと多様性で画像生成を変換した。 また,タスク固有のアーキテクチャや損失関数を使わずに,光学的フローと単眼深度の推定に優れることを示す。
  論文  参考訳（メタデータ） (2023-06-02T21:26:20Z)
• Deep Learning to Estimate Permeability using Geophysical Data [0.7874708385247351]
  本稿では,時間経過RTデータから3次元地下透水率を推定する深層学習(DL)フレームワークを提案する。 水理物理に基づく地下プロセスモデルを用いて深層学習解析のための合成データを生成する。 提案した弱教師あり学習は3次元透水性領域の空間的特徴を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-10-08T04:17:59Z)

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。