自動微分可能なデータ同化：状態・ダイナミクス・フィルタリングアルゴリズムの協調学習
arXiv stat.ML / 2026/3/24
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、「自動微分可能なフィルタリング」フレームワークを提案し、部分的でノイズを含む観測から、システム状態、基盤となるダイナミクス、データ同化フィルタのパラメータを、勾配ベースの最適化により共同で学習する。
- 不完全でノイズを含む測定のもとでも学習が可能になるよう、理論的に動機づけられた損失関数を導入し、自己微分（オートディファレンティエーション）を活用することで高コストな手動チューニングを回避する。
- 著者らは、提案フレームワークの中で、複数の確立されたデータ同化手法が学習または調整できることを示し、単一の新しいフィルタというよりも統一的なアプローチとして位置づけている。
- 宇宙航空（Clohessy–Wiltshire）、大気科学（Lorenz-96）、システム生物学（一般化ロトカ–ボルテラ）を含む複数の科学分野にわたる実験により、その汎用性が示される。
- 観測モデル、必要とされる精度、利用可能な計算予算に基づいてフレームワークをカスタマイズするための実務者向けガイドラインも含まれている。
