Recovering Physical Parameters from Fragmented Observations via Exact Distributed Spline Merging
作者: Naveen Mysore
分类: cs.LG, physics.comp-ph
发布日期: 2026-09-15
备注: 11 pages, 4 figures, 1 table. Under review at ICLR 2027
💡 一句话要点
通过精确分布样条合并恢复物理参数
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 分布式计算 物理参数恢复 样条合并 岭回归 气候科学 数据融合
📋 核心要点
- 现有方法在处理分布式科学测量数据时，往往需要集中式的数据共享和同步，导致效率低下。
- 本文提出了一种基于固定基函数岭回归的分布式样条合并方法，能够在不共享原始数据的情况下进行有效的参数恢复。
- 实验结果表明，所提方法在恢复扩散系数和波速时，误差分别为0.11%和0.12%，且与集中拟合相比没有性能下降。
📝 摘要（中文）
科学测量通常分布在不同的地点、时间段和机构之间。将这些碎片合并为连续可微的场，使得可以从其导数中恢复控制物理参数。本文的贡献有两个：首先，采用固定基函数岭回归统计的加法结构应用于张量积样条场；每个数据持有者计算局部Gram矩阵和矩量向量，合并后的解在数学上与集中拟合相同，无需共享原始数据和迭代同步。其次，建立了一个完整的管道，将分布式观测连接到物理参数推断，通过场重构、导数提取和线性回归。扩散系数的恢复误差为0.11%，波速的恢复误差为0.12%；在这两种情况下，分布式合并相对于集中拟合没有引入任何降级。对41年NOAA海表温度数据的应用验证了在真实时空观测上的结果。
🔬 方法详解
问题定义：本文旨在解决如何从分布式的科学测量数据中恢复物理参数的问题。现有方法通常依赖于集中式的数据处理，导致数据共享和同步的复杂性，限制了其应用范围。
核心思路：论文提出了一种新的方法，通过固定基函数岭回归的加法结构，允许每个数据持有者独立计算局部的Gram矩阵和矩量向量，最终合并得到的解与集中拟合相同，从而避免了数据共享的需求。
技术框架：整体流程包括三个主要模块：首先是分布式观测数据的收集与处理；其次是通过样条重构生成连续可微的场；最后是通过导数提取和线性回归进行物理参数的推断。
关键创新：最重要的创新在于提出了一种无需共享原始数据的样条合并方法，这在固定特征的平方误差设置下，确保了合并解的准确性，与现有方法相比具有显著的效率优势。
关键设计：在技术细节上，采用了固定基函数的岭回归损失函数，设计了适应于分布式计算的Gram矩阵和矩量向量的计算流程，确保了在不同数据持有者之间的无缝协作。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在恢复扩散系数和波速时，误差分别为0.11%和0.12%，且与传统集中拟合方法相比，分布式合并没有引入任何性能下降，验证了其有效性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括气候科学、环境监测和其他需要处理分布式测量数据的科学领域。通过提高数据处理效率和准确性，能够为科学研究提供更可靠的物理参数推断，推动相关领域的发展。
📄 摘要（原文）
Scientific measurements are frequently distributed across locations, time periods, and institutions. Combining such fragments into a continuous, differentiable field enables recovering governing physical parameters from its derivatives. This paper makes two contributions toward that goal. First, the established additive structure of fixed-basis ridge-regression statistics is applied to tensor-product spline fields: each data holder computes a local Gram matrix and moment vector, and the merged solution is mathematically identical to centralized fitting, with no raw data shared and no iterative synchronization. This property is specific to the fixed-feature squared-error setting; the present derivation does not establish an analogous guarantee for general jointly trained multilayer networks. Second, a complete pipeline connects distributed observations to physical parameter inference through field reconstruction, derivative extraction, and linear regression. The diffusion coefficient is recovered to 0.11% error and wave speed to 0.12% error; in both cases, distributed merging introduces zero degradation relative to centralized fitting. Application to 41 years of NOAA sea-surface temperature data confirms the result on real spatiotemporal observations.