論文の概要: Active Target Discovery under Uninformative Prior: The Power of Permanent and Transient Memory

• arxiv url: http://arxiv.org/abs/2510.16676v1
• Date: Sun, 19 Oct 2025 00:42:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.092829
• Title: Active Target Discovery under Uninformative Prior: The Power of Permanent and Transient Memory
• Title（参考訳）: Uninformative Prior下でのアクティブターゲット発見 - 永続記憶と過渡記憶の力-
• Authors: Anindya Sarkar, Binglin Ji, Yevgeniy Vorobeychik,
• Abstract要約: 高品質なデータを取得するのが高価である多くの科学・工学分野において、制限された予算内での発見率の最大化には、観測されていない領域の戦略的サンプリングが不可欠である。 非形式的事前設定においても効果的なアクティブターゲット発見を可能にする新しい手法を提案する。 ブラックボックスのポリシーとは異なり、私たちのアプローチは本質的に解釈可能であり、意思決定に関する明確な洞察を与えます。
• 参考スコア（独自算出の注目度）: 26.488250231429774
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In many scientific and engineering fields, where acquiring high-quality data is expensive--such as medical imaging, environmental monitoring, and remote sensing--strategic sampling of unobserved regions based on prior observations is crucial for maximizing discovery rates within a constrained budget. The rise of powerful generative models, such as diffusion models, has enabled active target discovery in partially observable environments by leveraging learned priors--probabilistic representations that capture underlying structure from data. With guidance from sequentially gathered task-specific observations, these models can progressively refine exploration and efficiently direct queries toward promising regions. However, in domains where learning a strong prior is infeasible due to extremely limited data or high sampling cost (such as rare species discovery, diagnostics for emerging diseases, etc.), these methods struggle to generalize. To overcome this limitation, we propose a novel approach that enables effective active target discovery even in settings with uninformative priors, ensuring robust exploration and adaptability in complex real-world scenarios. Our framework is theoretically principled and draws inspiration from neuroscience to guide its design. Unlike black-box policies, our approach is inherently interpretable, providing clear insights into decision-making. Furthermore, it guarantees a strong, monotonic improvement in prior estimates with each new observation, leading to increasingly accurate sampling and reinforcing both reliability and adaptability in dynamic settings. Through comprehensive experiments and ablation studies across various domains, including species distribution modeling and remote sensing, we demonstrate that our method substantially outperforms baseline approaches.
• Abstract（参考訳）: 多くの科学・工学分野において、医療画像、環境モニタリング、リモートセンシングなどの高品質なデータの取得は高価であり、事前の観測に基づく未観測領域の統計的サンプリングは、制約された予算内での発見率の最大化に不可欠である。 拡散モデルのような強力な生成モデルの台頭は、データから基盤構造を捉える確率的表現(probabilistic representations)を活用することによって、部分的に観測可能な環境におけるアクティブなターゲット発見を可能にした。 逐次的に収集されたタスク固有観測からのガイダンスにより、これらのモデルは探索を段階的に洗練し、将来性のある領域へ効率的にクエリを誘導することができる。 しかし、非常に限られたデータや高いサンプリングコスト(希少種発見、新興疾患の診断など)のために、強い事前学習が不可能な領域では、これらの手法は一般化に苦慮している。 この制限を克服するため、複雑な実世界のシナリオにおいて、非形式的事前設定でも効果的なアクティブターゲット発見が可能であり、堅牢な探索と適応性を確保する新しいアプローチを提案する。 我々の枠組みは理論的に原理化されており、その設計を導くために神経科学からインスピレーションを得ている。 ブラックボックスのポリシーとは異なり、私たちのアプローチは本質的に解釈可能であり、意思決定に関する明確な洞察を与えます。 さらに、新しい観測ごとに事前推定値の強い単調な改善が保証され、より正確にサンプリングされ、動的設定における信頼性と適応性の両方が強化される。 種分布モデリングやリモートセンシングなど,様々な分野にわたる総合的な実験とアブレーション研究を通じて,本手法がベースラインアプローチを大幅に上回ることを示す。

関連論文リスト

• BATIS: Bayesian Approaches for Targeted Improvement of Species Distribution Models [15.029163153558533]
  種分布モデル(SDM)は,環境変数に基づいて種の発生を予測することを目的としている。 SDMの最近の深層学習の進歩は、複雑で不均一なデータセットでうまく機能することが示されている。 本稿では,限られた観測データを用いて事前予測を反復的に更新する,新規で実用的なフレームワークであるBATISを紹介する。
  論文  参考訳（メタデータ） (2025-10-22T16:42:46Z)
• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Online Feedback Efficient Active Target Discovery in Partially Observable Environments [26.488250231429774]
  Diffusion-guided Active Target Discovery (DiffATD) は、拡散力学を有効ターゲット発見に活用する新しい手法である。 DiffATDは、固定されたサンプリング予算内で部分的に観測可能な環境で効率的なターゲット発見を可能にする。 我々は,DiffATDがベースラインよりもはるかに優れた性能を示し,完全な環境観測性の下で動作する教師付き手法と競合することを示した。
  論文  参考訳（メタデータ） (2025-05-10T06:50:01Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• Enhancement of Approximation Spaces by the Use of Primals and Neighborhood [0.0]
  近隣と原始」からのインスピレーションを引き出す4つの新しい一般化された粗集合モデルを導入する。 我々は、現在のモデルは、粗い集合モデルに関連するほとんどすべての重要な側面を保存できると主張している。 また、我々の日常的な健康に関する問題に対して定義する新たな戦略が、より正確な発見をもたらすことも示している。
  論文  参考訳（メタデータ） (2024-10-23T18:49:13Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Drug Discovery under Covariate Shift with Domain-Informed Prior Distributions over Functions [30.305418761024143]
  実世界の薬物発見タスクは、しばしばラベル付きデータの不足とかなりの範囲のデータによって特徴づけられる。 我々は、データ生成プロセスの明示的な事前知識を事前分布にエンコードする原理的な方法を提案する。 我々は,Q-SAVIを組み込んで,事前知識のような化学空間をモデリングプロセスに組み込むことで,相当な精度と校正が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-07-14T05:01:10Z)

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。