論文の概要: Scientifically-Interpretable Reasoning Network (ScIReN): Uncovering the Black-Box of Nature

• arxiv url: http://arxiv.org/abs/2506.14054v1
• Date: Mon, 16 Jun 2025 23:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.266949
• Title: Scientifically-Interpretable Reasoning Network (ScIReN): Uncovering the Black-Box of Nature
• Title（参考訳）: 科学的解釈可能な推論ネットワーク(ScIReN):自然のブラックボックスを発見する
• Authors: Joshua Fan, Haodi Xu, Feng Tao, Md Nasim, Marc Grimson, Yiqi Luo, Carla P. Gomes,
• Abstract要約: 解釈可能なニューラル推論とプロセスベースの推論を組み合わせた,完全透明なフレームワークを提案する。 解釈可能なエンコーダは科学的に有意な潜在パラメータを予測する。 ScIReNは、科学的解釈可能性を提供しながら、予測精度でブラックボックスネットワークを上回っている。
• 参考スコア（独自算出の注目度）: 19.959751739424785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks are a powerful tool for learning patterns from data. However, they do not respect known scientific laws, nor can they reveal novel scientific insights due to their black-box nature. In contrast, scientific reasoning distills biological or physical principles from observations and controlled experiments, and quantitatively interprets them with process-based models made of mathematical equations. Yet, process-based models rely on numerous free parameters that must be set in an ad-hoc manner, and thus often fit observations poorly in cross-scale predictions. While prior work has embedded process-based models in conventional neural networks, discovering interpretable relationships between parameters in process-based models and input features is still a grand challenge for scientific discovery. We thus propose Scientifically-Interpretable Reasoning Network (ScIReN), a fully-transparent framework that combines interpretable neural and process-based reasoning. An interpretable encoder predicts scientifically-meaningful latent parameters, which are then passed through a differentiable process-based decoder to predict labeled output variables. ScIReN also uses a novel hard-sigmoid constraint layer to restrict latent parameters to meaningful ranges defined by scientific prior knowledge, further enhancing its interpretability. While the embedded process-based model enforces established scientific knowledge, the encoder reveals new scientific mechanisms and relationships hidden in conventional black-box models. We apply ScIReN on two tasks: simulating the flow of organic carbon through soils, and modeling ecosystem respiration from plants. In both tasks, ScIReN outperforms black-box networks in predictive accuracy while providing substantial scientific interpretability -- it can infer latent scientific mechanisms and their relationships with input features.
• Abstract（参考訳）: ニューラルネットワークは、データからパターンを学ぶための強力なツールである。 しかし、彼らは既知の科学的法則を尊重しておらず、ブラックボックスの性質から新しい科学的洞察を明らかにすることもできない。 対照的に、科学的推論は生物学的または物理的原理を観察や制御された実験から蒸留し、それらを数学的方程式からなるプロセスベースのモデルで定量的に解釈する。 しかし、プロセスベースのモデルは、アドホックな方法で設定されなければならない多くの自由パラメータに依存しているので、しばしばクロススケールな予測にはあまり適合しない。 これまでの研究では、従来のニューラルネットワークにプロセスベースモデルが組み込まれていたが、プロセスベースモデルと入力特徴のパラメータ間の解釈可能な関係を見つけることは、科学的な発見には依然として大きな課題である。 そこで我々は、解釈可能なニューラルネットワークとプロセスベースの推論を組み合わせた完全透明なフレームワークであるScIReN(Scienceally-Interpretable Reasoning Network)を提案する。 解釈可能なエンコーダは科学的に有意な潜在パラメータを予測し、それを微分可能なプロセスベースのデコーダに渡してラベル付き出力変数を予測する。 ScIReNはまた、科学的事前知識によって定義された有意義な範囲に潜伏パラメータを制限するために、新しいハードシグモイド制約層を使用しており、その解釈可能性をさらに高めている。 組込みプロセスベースモデルは確立された科学的知識を強制する一方で、エンコーダは従来のブラックボックスモデルに隠された新しい科学的メカニズムと関係を明らかにする。 土壌中の有機炭素の流れをシミュレートし,植物からの生態系の呼吸をモデル化する。 どちらのタスクでも、SciIReNはブラックボックスネットワークを予測精度で上回り、科学的解釈可能性も高い。

関連論文リスト

• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Exploring Biological Neuronal Correlations with Quantum Generative Models [0.0]
  生体神経活動の空間的・時間的相関を捉える合成データを生成するための量子生成モデルフレームワークを提案する。 本モデルは,従来の手法に比べてトレーニング可能なパラメータが少なく,信頼性の高い結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T18:00:06Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Convolutional Motif Kernel Networks [1.104960878651584]
  我々のモデルは、小さなデータセットでしっかりと学習でき、関連する医療予測タスクで最先端のパフォーマンスを達成できることを示す。 提案手法はDNAおよびタンパク質配列に利用することができる。
  論文  参考訳（メタデータ） (2021-11-03T15:06:09Z)
• Theory-guided hard constraint projection (HCP): a knowledge-based data-driven scientific machine learning method [7.778724782015986]
  本研究は理論誘導型ハード制約射影(hcp)を提案する。 このモデルは、支配方程式のような物理的な制約を、離散化によって容易に扱える形式に変換する。 理論誘導型HCPの性能は不均一な地下流れ問題に基づく実験により検証した。
  論文  参考訳（メタデータ） (2020-12-11T06:17:43Z)
• Identification of state functions by physically-guided neural networks with physically-meaningful internal layers [0.0]
  我々は,物理系における入力-出力関係を予測するために,物理的拘束型ニューラルネットワーク(PCNN)の概念を用いる。 このアプローチは、物理的に予測されるだけでなく、トレーニングプロセスの加速を図っている。
  論文  参考訳（メタデータ） (2020-11-17T11:26:37Z)
• Physics-Guided Machine Learning for Scientific Discovery: An Application in Simulating Lake Temperature Profiles [8.689056739160593]
  本稿では,RNNと物理モデルを組み合わせた物理誘導リカレントニューラルネットワークモデル(PGRNN)を提案する。 PGRNNは物理法則と整合した出力を生成しながら、物理モデルよりも予測精度を向上させることができることを示す。 湖沼の温度のダイナミクスをモデル化する文脈において,本手法を提示し,評価するが,より広い範囲の科学・工学分野に適用できる。
  論文  参考訳（メタデータ） (2020-01-28T15:44:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。