論文の概要: Quasi-van Hove singularities informed approach improving DOS/pDOS predictions in GNN

• arxiv url: http://arxiv.org/abs/2509.02818v1
• Date: Tue, 02 Sep 2025 20:36:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.336542
• Title: Quasi-van Hove singularities informed approach improving DOS/pDOS predictions in GNN
• Title（参考訳）: GNNにおけるDOS/pDOS予測の改善に関する準バンホーブ特異性
• Authors: Grigory Koroteev,
• Abstract要約: 本稿では,Van Hoff特異点の概念を拡張して,モデルの機械学習手法を優先情報として用いた。 クレーム法は,量子状態の密度を直接計算する代わりに,機械学習法により得られた推定値を用いて動作する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In this paper, we introduce an extension of the concept of Van Hoff singularities in order to explicitly use them in machine learning methods of models as a priori information. The claimed method becomes possible when, instead of directly calculating the density of quantum states, we operate with estimates obtained by machine learning methods. Then, determining additional information allows us to organize post-processing, which significantly improves the quality of model prediction. Analytically, the effect is similar to Van Hove singularities of high order due to the additional degree of degeneracy of the system. As a mechanism for redistributing information about the system, we propose regularization, which is close in meaning to taking into account Fisher information.
• Abstract（参考訳）: 本稿では,Van Hoff特異点の概念を拡張して,モデルの機械学習手法を優先情報として用いた。 クレーム法は,量子状態の密度を直接計算する代わりに,機械学習法により得られた推定値を用いて動作する。 そして、追加情報を決定することにより、後処理の組織化が可能になり、モデル予測の品質が大幅に向上する。 解析学的には、この効果は系の退化度が増すため、高次ヴァン・ホーブ特異点に類似している。 システムに関する情報を再分配するメカニズムとして,フィッシャー情報を考慮した正則化を提案する。

関連論文リスト

• Informed Spectral Normalized Gaussian Processes for Trajectory Prediction [0.0]
  本稿では,SNGPの正規化に基づく連続学習手法を提案する。 提案手法は確立された手法に基づいており,リハーサルメモリやパラメータ拡張を必要としない。 本研究では, 自律運転における軌道予測問題に対する情報SNGPモデルの適用について検討した。
  論文  参考訳（メタデータ） (2024-03-18T17:05:24Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Self-Distillation for Gaussian Process Regression and Classification [0.0]
  本稿では,知識蒸留の概念をガウスプロセス回帰(GPR)とガウスプロセス分類(GPC)に拡張する2つのアプローチを提案する。 データ中心のアプローチは、機械学習の現在の蒸留技術に似ており、教師による決定論的予測のモデルに適合する。 分布中心のアプローチは、次のイテレーションの完全な確率的後部を再利用する。
  論文  参考訳（メタデータ） (2023-04-05T17:59:20Z)
• STEERING: Stein Information Directed Exploration for Model-Based Reinforcement Learning [111.75423966239092]
  遷移モデルの現在の推定値と未知の最適値との間の積分確率距離(IPM)の観点から探索インセンティブを提案する。 KSDに基づく新しいアルゴリズムを開発した。 textbfSTEin information dirtextbfEcted Explor for model-based textbfReinforcement Learntextbfing。
  論文  参考訳（メタデータ） (2023-01-28T00:49:28Z)
• Sparsity-Inducing Categorical Prior Improves Robustness of the Information Bottleneck [4.2903672492917755]
  フレキシビリティを提供するメカニズムとしてスペーサを用いた,スペーサ誘導型スパイクスラブを新たに提案する。 提案手法は従来の固定比例前の手法と比較して精度とロバスト性を向上することを示す。
  論文  参考訳（メタデータ） (2022-03-04T22:22:51Z)
• Self-explaining variational posterior distributions for Gaussian Process models [0.0]
  本稿では,変分ガウスプロセセスの概念について紹介する。 提案した自己説明型変分後分布は,対象関数に関する一般的な事前知識と,個々の特徴の寄与に関する事前知識の両方を組み込むことができる。
  論文  参考訳（メタデータ） (2021-09-08T15:14:22Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。