Пространственный контекст или память? Калибровка входных данных нейронных суррогатов для частично наблюдаемых участков
arXiv: 2610.12723v1 Аннонс Тип: новое резюме: Невральные суррогаты, которые предсказывают физическое поле от малогабаритных шумящих датчиков, прочитывая окно близлежащих сенсоров и историю прошлых снимков. Практические работники выбирают обе модели путем сопоставления установленных моделей. Такие сопоставления не могут свидетельствовать о недостатке той или иной модели из-за отсутствия информации. Мы измеряем компромисс между окном и историей по отношению к лучшей ошибке Байеса. Точный гауссийский анализ показывает, что шумное или слабое наблюдение поля с местной динамикой делает оптимальный прогноз считываемых удаленных датчиков только посредством пространственной корреляции. На принудительном линейном поле с известными оптимальными, обученными моделями, которые читают только окно, находятся в пределах 1% от него. Затем мы тренируем такие модели на вязких бургерах и хаотичном уравнении Курамото-Сивашинский (КШ), при этом каждое решающее сравнение устанавливается до любой оценки. Во всех полях, кроме KS, восемь снимков удаляют меньшую часть погрешности в одноразовый выстрел как лева