論文の概要: Data-Driven or Model-Constrained? Comparing Airflow Estimation Methods under Sparse Sensing

• arxiv url: http://arxiv.org/abs/2610.39789v1
• Date: Thu, 29 Oct 2026 10:40:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:41:41.654749
• Title: Data-Driven or Model-Constrained? Comparing Airflow Estimation Methods under Sparse Sensing
• Title（参考訳）: データ駆動型かモデル制約型か? スパースセンシングによる気流推定法の比較
• Abstract要約: 流動場推定法は, 限られたデータに補うために, 統計的, 物理的前提を導入することにより, スパース測定に対処しなければならない。 既存のアプローチは主に流体流の制約と環境幾何学を組み込む方法が異なる。 定常条件下での3つの模擬2次元シナリオの4つの気流推定器を定量的に評価した。
• 参考スコア（独自算出の注目度）: 4.282674738110079
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Airflow-driven advection is the primary mechanism for gas and aerosol dispersion in real-world scenarios, making accurate airflow estimation essential for ventilation monitoring, gas source localization, and contaminant spread analysis. Since obtaining airflow maps via high-resolution spatial sensing is usually infeasible in practice, flow field estimation methods must cope with sparse measurements by introducing statistical or physical priors to compensate for limited data. Existing approaches mainly differ in how they incorporate fluid-flow constraints and environmental geometry. However, due to the lack of systematic comparisons across this spectrum of methods, the potential benefits of physics-based priors for airflow estimation under sparse sensing remain underexplored. To address this question, we quantitatively evaluate four airflow estimators across three simulated 2D scenarios under steady-state conditions and varying sampling densities. The methods range from Gaussian Process Regression and graph-based Gaussian Markov Random Fields to two Navier-Stokes-based approaches, including a novel strong-form residual minimization variant. Our results show that physical priors provide the greatest benefit at low sampling densities by compensating for missing spatial information. Although data-driven Gaussian Process Regression becomes increasingly competitive as sensor coverage increases, model-based estimators retain an accuracy advantage across the evaluated scenarios.
• Abstract（参考訳）: 気流駆動の対流は、実際のシナリオにおける気体とエアロゾルの分散の主要なメカニズムであり、換気監視、ガス源の局在、汚染物質の拡散分析に必要不可欠な正確な気流推定を行う。 高分解能空間センシングによる気流マップの取得は、実際は不可能であるため、流動場推定法は、限られたデータを補うために統計的または物理的事前を導入してスパース測定に対処する必要がある。 既存のアプローチは主に流体流の制約と環境幾何学を組み込む方法が異なる。 しかし、これらの手法の体系的な比較が欠如しているため、スパークセンシング下での気流推定における物理に基づく事前推定の潜在的な利点は未解明のままである。 この問題に対処するために,定常条件下での3つの模擬2次元シナリオの4つの気流推定器を定量的に評価した。 手法はガウス過程回帰とグラフベースのガウスマルコフランダム場から、新しい強形式残留最小化変種を含むナヴィエ・ストークスに基づく2つのアプローチまで様々である。 その結果, 空間情報の欠落を補うことで, サンプリング密度が低い場合に, 物理的先行が最大の利益をもたらすことがわかった。 データ駆動型ガウスプロセス回帰は、センサーカバレッジが増加するにつれて競争力が高まっているが、モデルベースの推定器は、評価されたシナリオ間で精度上の優位性を維持している。

関連論文リスト

• Physics-informed reservoir characterization from bulk and extreme pressure events with a differentiable simulator [42.95123707634075]
  本稿では,ニューラルネットワークのトレーニングに直接,微分可能な地下流れシミュレータを組み込む物理インフォームド機械学習手法を提案する。 ネットワークは、限られた圧力観測から不均一な透水性場を推定する一方、トレーニングはシミュレータを通しての透水性と減圧の両方を最小化し、物理的一貫性を強制する。 提案手法は, リアルタイム貯水池のキャラクタリゼーションとリスク認識による意思決定のために, 高速かつ物理一貫性のある地下インバージョンを実現する。
  論文  参考訳（メタデータ） (2026-04-14T20:52:45Z)
• Flow-Based Density Ratio Estimation for Intractable Distributions with Applications in Genomics [80.05951561886123]
  我々は条件認識フローマッチングを利用して、生成軌道に沿った密度比を追跡するための1つの動的定式化を導出する。 クローズドフォーム比推定のためのシミュレーションベンチマーク上での競合性能を実証し,本手法が単一セルゲノミクスデータ解析における多目的タスクをサポートすることを示す。
  論文  参考訳（メタデータ） (2026-02-27T17:27:55Z)
• 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)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Data-Driven Probabilistic Air-Sea Flux Parameterization [0.3986595245870643]
  本研究では, 大気-海底フラックスの高度に変動する性質を表現するための確率的枠組みを提案する。 我々は,ニューラルネットワークと渦-共分散測定データを用いて,平均と分散を推定する。
  論文  参考訳（メタデータ） (2025-03-06T00:40:49Z)
• DiffSF: Diffusion Models for Scene Flow Estimation [17.512660491303684]
  本稿では,変圧器を用いたシーンフロー推定とデノナイズ拡散モデルを組み合わせたDiffSFを提案する。 拡散過程は, 従来の手法に比べて, 予測の堅牢性を大幅に向上させることを示す。 異なる初期状態で複数回サンプリングすることにより、復調過程は複数の仮説を予測し、出力の不確実性を測定することができる。
  論文  参考訳（メタデータ） (2024-03-08T14:06:15Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Uncertainty quantification and out-of-distribution detection using surjective normalizing flows [46.51077762143714]
  本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。 本手法は, 流通外データと流通内データとを確実に識別できることを示す。
  論文  参考訳（メタデータ） (2023-11-01T09:08:35Z)

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。