从稀疏传感器到连续场：STRIDE 用于时空重建
机器学习
2026-02-05 v1 动力系统
摘要
从稀疏点传感器测量重建高维时空场是学习参数化 PDE 动力学的核心挑战。现有方法往往难以在轨迹和参数设置之间普遍化，或依赖与网格和分辨率绑定的解码器，难以自然迁移到不同网格。我们提出STRIDE（Spatio-Temporal Recurrent Implicit DEcoder），一个两阶段框架，将一段传感器测量映射到带有时序编码器的潜在状态，并通过调制的隐式神经表示（INR）解码器在任意查询位置重建场。使用傅里叶多分量和多层神经网络（FMMNN）作为 INR 主干可提高复杂空间场的表示，并比基于正弦的 INR 在优化稳定性方面更好。我们提供条件性理论依据：在点测量在低维参数不变集上的稳定延迟可观测性下，重建算子通过有限维嵌入来分解，使得STRIDE类架构成为自然的逼近器。在四个具有挑战性的基准测试中，涵盖混沌动力学和波传播，STRIDE 在极端稀疏感知下超过强基准，支持超分辨率，并对噪声具有鲁棒性。
引用
@article{arxiv.2602.04201,
title = {From Sparse Sensors to Continuous Fields: STRIDE for Spatiotemporal Reconstruction},
author = {Yanjie Tong and Peng Chen},
journal= {arXiv preprint arXiv:2602.04201},
year = {2026}
}