論文の概要: Comparing Generative Models with the New Physics Learning Machine

• arxiv url: http://arxiv.org/abs/2508.02275v1
• Date: Mon, 04 Aug 2025 10:42:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.29388
• Title: Comparing Generative Models with the New Physics Learning Machine
• Title（参考訳）: 生成モデルと新しい物理学習機械の比較
• Authors: Samuele Grossi, Marco Letizia, Riccardo Torre,
• Abstract要約: 大規模かつ高次元のレシエーションでは、機械学習は標準的な統計技術の限界を超える一連のツールを提供する。 この主張は、高エネルギー物理文献であるニュー物理学習マシン(New Physics Learning Machine)から、分類に基づく2サンプルテストを行うための提案を比較して、この主張を裏付けるものである。 本稿では,本手法の効率トレードオフと,学習に基づくアプローチの導入による計算コストについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of generative models for scientific research calls for the development of new methods to evaluate their fidelity. A natural framework for addressing this problem is two-sample hypothesis testing, namely the task of determining whether two data sets are drawn from the same distribution. In large-scale and high-dimensional regimes, machine learning offers a set of tools to push beyond the limitations of standard statistical techniques. In this work, we put this claim to the test by comparing a recent proposal from the high-energy physics literature, the New Physics Learning Machine, to perform a classification-based two-sample test against a number of alternative approaches, following the framework presented in Grossi et al. (2025). We highlight the efficiency tradeoffs of the method and the computational costs that come from adopting learning-based approaches. Finally, we discuss the advantages of the different methods for different use cases.
• Abstract（参考訳）: 科学的研究のための生成モデルの台頭は、その忠実性を評価する新しい方法の開発を要求する。 この問題に対処するための自然なフレームワークは、2サンプルの仮説テストであり、すなわち、2つのデータセットが同じ分布から引き出されるかどうかを決定するタスクである。 大規模かつ高次元のレシエーションでは、機械学習は標準的な統計技術の限界を超える一連のツールを提供する。 本研究では,Grossi et al (2025) で提示されたフレームワークに倣って,高エネルギー物理文献である New Physics Learning Machine から,多くの代替手法に対して分類に基づく2サンプルテストを行うための提案を行った。 本稿では,本手法の効率トレードオフと,学習に基づくアプローチの導入による計算コストについて述べる。 最後に、異なるユースケースに対する異なる手法の利点について論じる。

関連論文リスト

• Enhancing binary classification: A new stacking method via leveraging computational geometry [5.906199156511947]
  本稿では,計算幾何学的手法,特に最大重み付き矩形問題の解法を統合した新しいメタモデルを提案する。 本手法は複数のオープンデータセットを用いて評価し,その安定性と精度の向上を示す統計解析を行った。 本手法は, アンサンブル学習の積み重ねだけでなく, 病院の健康評価評価や銀行信用評価システムなど, 様々な実世界の応用にも応用できる。
  論文  参考訳（メタデータ） (2024-10-30T06:11:08Z)
• Globally-Optimal Greedy Experiment Selection for Active Sequential Estimation [1.1530723302736279]
  逐次的に収集したデータの実験を適応的に選択するアクティブシーケンシャル推定の問題について検討する。 目標は、より正確なモデル推定のための実験選択ルールを設計することである。 そこで本稿では,グリーディ実験の選択手法のクラスを提案し,最大可能性の統計的解析を行う。
  論文  参考訳（メタデータ） (2024-02-13T17:09:29Z)
• A step towards the integration of machine learning and classic model-based survey methods [0.0]
  従来の調査における機械学習手法の使用は依然として非常に限られている。 本稿では,これらのアルゴリズムが支持する予測器を提案する。
  論文  参考訳（メタデータ） (2024-02-12T09:43:17Z)
• Dual Student Networks for Data-Free Model Stealing [79.67498803845059]
  主な課題は、パラメータにアクセスせずにターゲットモデルの勾配を推定し、多様なトレーニングサンプルを生成することである。 そこで本研究では,2人の学生が左右対称に学習し,学生が反対するサンプルを生成するための基準を提案する。 我々の新しい最適化フレームワークは、目標モデルのより正確な勾配推定と、ベンチマーク分類データセットの精度向上を提供する。
  論文  参考訳（メタデータ） (2023-09-18T18:11:31Z)
• Learning new physics efficiently with nonparametric methods [11.970219534238444]
  モデルに依存しない新しい物理探索のための機械学習手法を提案する。 対応するアルゴリズムは、最近のカーネルメソッドの大規模実装によって実現されている。 トレーニング時間や計算資源の観点から、ニューラルネットワークの実装と比較して、我々のアプローチは劇的なアドバンテージがあることが示される。
  論文  参考訳（メタデータ） (2022-04-05T16:17:59Z)
• A Typology for Exploring the Mitigation of Shortcut Behavior [29.38025128165229]
  基本モジュールの共通集合を確立することにより,様々なXIL手法を単一型に統一する。 評価では、全ての手法がモデルの再検討を成功に導く。 しかし、個々のベンチマークタスクに顕著な違いが見られ、アプリケーションに関連する重要な側面が明らかになりました。
  論文  参考訳（メタデータ） (2022-03-04T14:16:50Z)
• Team Cogitat at NeurIPS 2021: Benchmarks for EEG Transfer Learning Competition [55.34407717373643]
  脳波復号のための主題に依存しないディープラーニングモデルの構築は、強い共シフトの課題に直面している。 我々のアプローチは、ディープラーニングモデルの様々な層に特徴分布を明示的に整列させることです。 この方法論は、NeurIPSカンファレンスで開催されている2021年のEEG Transfer Learningコンペティションで優勝した。
  論文  参考訳（メタデータ） (2022-02-01T11:11:08Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Learning the Truth From Only One Side of the Story [58.65439277460011]
  一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。 理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-08T18:20:28Z)
• Real-Time Model Calibration with Deep Reinforcement Learning [4.707841918805165]
  本稿では,強化学習に基づくモデルパラメータ推定のための新しいフレームワークを提案する。 提案手法を2つのモデルベース診断試験ケースで実証し, 評価した。
  論文  参考訳（メタデータ） (2020-06-07T00:11:42Z)
• Marginal likelihood computation for model selection and hypothesis testing: an extensive review [66.37504201165159]
  この記事では、このトピックの最先端に関する総合的な研究について紹介する。 さまざまなテクニックの制限、メリット、コネクション、差異を強調します。 また、不適切な事前利用の問題や解決法についても述べる。
  論文  参考訳（メタデータ） (2020-05-17T18:31:58Z)

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。