論文の概要: Learning From Simulators: A Theory of Simulation-Grounded Learning
- arxiv url: http://arxiv.org/abs/2509.18990v2
- Date: Wed, 01 Oct 2025 20:40:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 14:32:17.108579
- Title: Learning From Simulators: A Theory of Simulation-Grounded Learning
- Title（参考訳）: シミュレータから学ぶ:シミュレーション学習の理論
- Authors: Carson Dudley, Marisa Eisenberg,
- Abstract要約: シミュレーション・グラウンドド・ニューラルネットワーク(SGNN)は、メカニカル・シミュレーションから完全に合成データに基づいて訓練された予測モデルである。
我々は、SGNNを統一的な統計フレームワークに配置する。標準的な損失関数の下では、シミュレータによって訓練されたベイズ予測器として解釈することができる。
SGNNは遅延パラメータを復元し、ミスマッチ下では頑健であり、古典的ツールよりも優れています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Simulation-Grounded Neural Networks (SGNNs) are predictive models trained entirely on synthetic data from mechanistic simulations. They have achieved state-of-the-art performance in domains where real-world labels are limited or unobserved, but lack a formal underpinning. We place SGNNs in a unified statistical framework. Under standard loss functions, they can be interpreted as amortized Bayesian predictors trained under a simulator-induced prior. Empirical risk minimization then yields convergence to the Bayes-optimal predictor under the synthetic distribution. We employ classical results on distribution shift to characterize how performance degrades when the simulator diverges from reality. Beyond these consequences, we develop SGNN-specific results: (i) conditions under which unobserved scientific parameters are learnable via simulation, and (ii) a back-to-simulation attribution method that provides mechanistic explanations of predictions by linking them to the simulations the model deems similar, with guarantees of posterior consistency. We provide numerical experiments to validate theoretical predictions. SGNNs recover latent parameters, remain robust under mismatch, and outperform classical tools: in a model selection task, SGNNs achieve half the error of AIC in distinguishing mechanistic dynamics. These results establish SGNNs as a principled and practical framework for scientific prediction in data-limited regimes.
- Abstract（参考訳）: シミュレーション・グラウンドド・ニューラルネットワーク(SGNN)は、メカニカル・シミュレーションから完全に合成データに基づいて訓練された予測モデルである。
彼らは、現実世界のラベルが制限されているか、保存されていないが、正式な基盤がない領域で最先端のパフォーマンスを達成した。
我々はSGNNを統一的な統計フレームワークに位置づける。
標準的な損失関数の下では、シミュレータ誘導前のトレーニングを受けたベイズ予測器として解釈することができる。
経験的リスク最小化は、合成分布の下でベイズ最適予測器に収束する。
我々は,シミュレータが現実から分岐する際の性能劣化を特徴付けるために,分布シフトに古典的な結果を用いる。
これらの結果を超えると、SGNN特有の結果が得られます。
一 未観測の科学的パラメータがシミュレーションにより学習可能な条件、及び
(II)モデルとシミュレーションをリンクすることで予測の力学的説明を提供するバック・トゥ・シミュレーション帰属法で、後続整合性を保証する。
理論的予測を検証するための数値実験を行う。
モデル選択タスクでは、SGNNは機械力学の区別においてAICのエラーの半分を達成している。
これらの結果は、データ制限体制における科学的予測の原則的かつ実践的な枠組みとしてSGNNを確立している。
関連論文リスト
- Simulation as Supervision: Mechanistic Pretraining for Scientific Discovery [0.0]
本稿では,ニューラルネットワークのトレーニングデータとしてメカニスティックシミュレーションを利用するフレームワークであるSGNNを紹介する。
SGNNは科学の分野やモデリングのタスクにまたがって最先端の結果を達成する。
それらは新しい機械的解釈可能性の形式であるバック・トゥ・シミュレーションの属性を可能にする。
論文 参考訳（メタデータ） (2025-07-11T19:18:42Z) - Harnessing Equivariance: Modeling Turbulence with Graph Neural Networks [0.0]
グラフニューラルネットワーク(GNN)に基づく大規模渦シミュレーション(LES)における乱流モデリングの新しい手法を提案する。
GNNは、ナヴィエ・ストークス方程式の離散回転、反射、翻訳対称性をモデルアーキテクチャに組み込む。
提案手法の適合性について, 均質等方性乱流(HIT)と乱流流の2つの正準試験例について検討した。
論文 参考訳（メタデータ） (2025-04-10T13:37:54Z) - Evidential Uncertainty Probes for Graph Neural Networks [3.5169632430086315]
グラフニューラルネットワーク(GNN)における不確実性定量化のためのプラグアンドプレイフレームワークを提案する。
Evidential Probing Network (EPN) は、学習した表現から証拠を抽出するために軽量なMulti-Layer-Perceptron (MLP) ヘッドを使用する。
EPN-regは、正確で効率的な不確実性定量化において最先端のパフォーマンスを実現し、現実世界のデプロイメントに適している。
論文 参考訳（メタデータ） (2025-03-11T07:00:54Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Learning Stochastic Dynamics with Statistics-Informed Neural Network [0.4297070083645049]
データからダイナミクスを学習するための、統計情報ニューラルネットワーク(SINN)という機械学習フレームワークを導入する。
本研究では,ニューラルネットワークモデルの学習機構を考案し,対象プロセスの正しい統計的挙動を再現する。
得られた低次モデルが時間的に粗い粒度データに基づいて訓練可能であることを示す。
論文 参考訳（メタデータ） (2022-02-24T18:21:01Z) - 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) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳（メタデータ） (2021-11-02T12:33:42Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - 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) - Fast Learning of Graph Neural Networks with Guaranteed Generalizability:
One-hidden-layer Case [93.37576644429578]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。
回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
論文 参考訳（メタデータ） (2020-06-25T00:45:52Z)
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。