基于浅层循环解码器的短时间序列潜相推断 (LAPIS-SHRED)
机器学习
2026-04-02 v1 人工智能
计算机视觉与模式识别
摘要
从稀疏观测中重建完整时空动力学仍是复杂系统中的核心挑战，因为测量在空间和时间上都可能不完整，甚至仅限于狭窄的时间窗口。然而，近似完整的时空轨迹对于获取机理性见解、理解、模型校准以及运营决策至关重要。我们引入 LAPIS-SHRED (LAtent Phase Inference from Short time sequence using SHallow REcurrent Decoders)，一种模块化架构，用于从受限于短时间窗口的稀疏传感器观测中重建和/或预测完整的时空动力学。LAPIS-SHRED 通过三个阶段运行：(i) 在完全基于仿真数据的预训练中，SHRED 模型将传感器时序历史映射到结构化的潜在空间；(ii) 在仿真数据派生的潜在轨迹上训练的时间序列模型学习将潜在状态向前或向后传递，以跨越短观测时间窗口内未观察到的时间区域；(iii) 在部署时，仅提供来自真实系统的短观测窗口中稀疏的超稀疏传感器测量，冻结的 SHRED 模型和时间序列模型共同重建或预测完整的时空轨迹。该框架支持双向推断，继承其模块化结构中的数据同化和多尺度重建能力，能够容纳极端观测限制，包括单帧终端输入。我们在六项实验中评估了 LAPIS-SHRED，涵盖湍流流动、多尺度推进物理、波动燃烧瞬态以及卫星衍生的环境场，突出其轻量级、模块化的架构，适用于观测受物理或逻辑限制约束的运营环境。
引用
@article{arxiv.2604.01216,
title = {LAtent Phase Inference from Short time sequences using SHallow REcurrent Decoders (LAPIS-SHRED)},
author = {Yuxuan Bao and Xingyue Zhang and J. Nathan Kutz},
journal= {arXiv preprint arXiv:2604.01216},
year = {2026}
}