arXiv News

すべての人に一次情報を

サイト

Aboutプライバシーポリシー利用規約

© 2026 arXiv News

Neural CGMが閉式形式潜在空間データ同化と分布感知デコーダを組み合わせ、非線形システムの状態推定を革新 | arXiv News

arXiv News

英語日本語

言語を切り替え

英語日本語
アカウントを読み込み中…

すべての人に一次情報を

トップページに戻る
機械学習日本語公開済み

Neural CGMが閉式形式潜在空間データ同化と分布感知デコーダを組み合わせ、非線形システムの状態推定を革新

2026年11月22日arXiv: 2611.26463v1

Neural CGM(Neural Conditional Gaussian Model)は、潜在空間に条件付きガウスダイナミクスを学習し、解析的なデータ同化更新と分布感知デコーダを備えた初めてのモデルです。

このモデルは、非観測物理状態をニューラルネットワークによって学習した潜在空間へとマップし、そこで確率微分方程式が閉形式で表現されます。潜在空間での状態更新は解析的に計算でき、デコーダがポストリオリ平均と共分散を物理空間へ帰着させます。

Lorenz‑63ベンチマークでは、Neural CGMが予測RMSE 1.6907、DA RMSE 1.3882、DA NLL 3.8068、更新時間 0.8772 sを達成し、従来のCGKN(予測RMSE 1.6941、DA RMSE 1.4174、DA NLL 3.9126、時間 0.9367 s)を上回ります。

Lorenz‑96ベンチマークでは、予測RMSE 0.7353、DA RMSE 3.1927、DA NLL 92.1253、DA時間 3.5831 sと、CGKN(0.7356、3.1962、95.2390、2.8629 s)よりもわずかに優れた結果を示します。

Kuramoto‑Sivashinsky方程式に対しても、Neural CGMは予測RMSE 0.0554、DA RMSE 0.3846、DA NLL 54.6653、時間 1.8307 sと、CGKN(0.0621、0.4222、166.1100、1.3559 s)を上回ります。

しかし、Neural CGMの学習には観測変数と未観測変数のペア付き時系列が必要です。また、現行実装では物理空間での対角成分のみを用いた共分散を十分に考慮しています。

総じて、Neural CGMは閉式潜在空間同化と分布感知デコーダ、尤度に基づく学習を統合した最初のモデルであり、非線形システムの状態推定・予測・不確実性推定を高精度かつ効率的に実現します。

元論文

Neural Conditional Gaussian Model: Efficient Data Assimilation with Sequential Uncertainty Quantification for Nonlinear Dynamics

機械学習数学
arXiv で見る