AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：稀疏观测×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月3日
10:40
10:40arXiv cs.LG@Niccolò Perrone, Fanny Lehmann, Stefania Fresca, Filippo Gatti
神经算子代理（NO）能比数值求解器快数个数量级地近似偏微分方程解，但存在谱偏差：高频成分被系统性地衰减，限制了其在需要精细尺度结构场景下的可靠性。稀疏传感器测量虽能提供无谱畸变的逐点精度，但仅覆盖小部分区域。本文提出FreqNO-DPS框架，将NO预测作为扩散后验采样中的辅助观测，结合基于分数的扩散先验和稀疏观测条件，并通过闭式谱整形引导分数避免重新引入偏差。在3D弹性波场预测中，5%和2%传感器覆盖率下，该方法在所有频带达到近零谱偏差，而单独使用代理或传感器均显示高频衰减。该框架仅需成对代理/参考数据，无需问题特定结构。
论文神经算子谱偏差扩散后验采样PDE求解稀疏观测
推荐理由：做物理模拟或PDE求解的团队终于有了解决高频细节丢失的实用方案——FreqNO-DPS用扩散模型校正神经算子的谱偏差，在稀疏观测下也能恢复全频带精度，建议做科学计算或工程仿真的直接试。
原文
5月14日
13:26
13:26arXiv cs.LG@Zhonghao Li, Chaoyu Liu, Qian Zhang
精选
Di-BiLPS 是一种新型神经网络框架，专门解决在观测数据极度稀疏（低至3%）时偏微分方程（PDE）的正向和逆向问题。它结合了变分自编码器压缩高维输入、潜变量扩散模块处理不确定性，以及对比学习对齐表征，所有操作在紧凑的潜空间中进行，大幅提升推理效率。实验表明，在多个PDE基准上，Di-BiLPS在极稀疏输入下达到最先进性能，同时计算成本显著降低。此外，该框架支持零样本超分辨率，可在连续时空域进行预测。
论文PDE求解稀疏观测潜变量模型扩散模型零样本超分辨率
推荐理由：PDE求解在稀疏观测场景下一直是个难题，Di-BiLPS用潜空间扩散和对比学习解决了精度和效率的双重瓶颈。做科学计算或物理模拟的开发者，尤其是处理传感器数据稀疏的团队，值得关注这个新范式。
原文