arXiv cs.AI· Pu Ren, Michael W. Mahoney, N. Benjamin Erichson·· 12 小时前AI 评分22
iFLEX：用生成式残差修正改进科学机器学习中的时间插值
Generative Refinement Learning for Temporal Interpolation in Scientific Machine Learning
AI 导读
研究者提出 iFLEX，先对相邻两个观测做加权平均得到初始估计，再用条件扩散模型学习生成残差来重建中间时刻的科学场。在 Navier-Stokes Kraichnan 湍流、上海雷达降水和海表温度数据集上，iFLEX 的重建误差低于光流和视频插帧扩散模型等基线。
正文 · AI 翻译
摘要：计算成本高昂的模拟和真实世界观测所提供的数据，其时间分辨率往往低于下游任务的要求。在固定网格点上对观测取平均可能引入误差，而仅凭运动估计无法确定物理场值如何变化。在本工作中，我们研究学习修正简单数值插值是否能改善中间科学场的重建。我们的模型——插值流专家（interpolative FLow EXpert，iFLEX）——首先通过对每个网格点上的两个观测取加权平均来估计缺失的场，对更接近所请求时间的观测赋予更大权重。在训练过程中，从观测到的中间场中减去该估计值，得到残差，条件扩散模型学习生成该残差。两个观测连同目标时间、观测之间的间隔以及可用的物理参数一起作为模型的条件。为重建未观测到的中间场，将生成的残差加到加权平均上。我们在 Navier-Stokes Kraichnan 湍流、上海雷达降水和海表温度上评估 iFLEX。在这些数据集上，iFLEX 的重建误差低于所评估的基线，包括为计算机视觉中视频帧插值开发的光流模型和扩散模型。在雷诺数为 36,000 的受控湍流比较中，在扩散骨干网络和训练设置保持不变的情况下，学习残差将相对 Frobenius 范数误差从直接生成场的约 13.7 降至 10.5。代码可在 此 https URL 获取。
| 评论： | 被 Transactions on Machine Learning Research 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；数学物理（math-ph）；机器学习（stat.ML） |
| 引用为： | arXiv:2610.36751 [cs.LG] |
| （或 arXiv:2610.36751v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.36751 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pu Ren [查看电子邮件]
[v1]
2026年10月27日星期二 07:08:23 UTC（4,874 KB）
来源：arXiv cs.AI · arxiv.org