論文の概要: DIVIDE: A Framework for Learning from Independent Multi-Mechanism Data Using Deep Encoders and Gaussian Processes

• arxiv url: http://arxiv.org/abs/2511.12745v1
• Date: Sun, 16 Nov 2025 19:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.514944
• Title: DIVIDE: A Framework for Learning from Independent Multi-Mechanism Data Using Deep Encoders and Gaussian Processes
• Title（参考訳）: DIVIDE:ディープエンコーダとガウス過程を用いた独立多機械データからの学習フレームワーク
• Authors: Vivek Chawla, Boris Slautin, Utkarsh Pratiush, Dayakar Penumadu, Sergei Kalinin,
• Abstract要約: DIVIDEは、独立した生成因子を不確実性と組み合わせた効果から切り離すフレームワークである。 分類画像パッチと非線形空間場を組み合わせた合成データセット上で実証した。 このフレームワークは、機械的、電磁的、光学的応答が共存する多機能データセットに自然に拡張する。
• 参考スコア（独自算出の注目度）: 0.656854444547614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific datasets often arise from multiple independent mechanisms such as spatial, categorical or structural effects, whose combined influence obscures their individual contributions. We introduce DIVIDE, a framework that disentangles these influences by integrating mechanism-specific deep encoders with a structured Gaussian Process in a joint latent space. Disentanglement here refers to separating independently acting generative factors. The encoders isolate distinct mechanisms while the Gaussian Process captures their combined effect with calibrated uncertainty. The architecture supports structured priors, enabling interpretable and mechanism-aware prediction as well as efficient active learning. DIVIDE is demonstrated on synthetic datasets combining categorical image patches with nonlinear spatial fields, on FerroSIM spin lattice simulations of ferroelectric patterns, and on experimental PFM hysteresis loops from PbTiO3 films. Across benchmarks, DIVIDE separates mechanisms, reproduces additive and scaled interactions, and remains robust under noise. The framework extends naturally to multifunctional datasets where mechanical, electromagnetic or optical responses coexist.
• Abstract（参考訳）: 科学的データセットは、しばしば、空間的、分類的、構造的な影響などの複数の独立したメカニズムから生じる。 DIVIDEは,機構固有のディープエンコーダとガウス過程を結合潜在空間に組み込むことで,これらの影響を解消するフレームワークである。 ここでの混乱とは、独立して作用する生成因子を分離することを指す。 エンコーダは異なるメカニズムを分離する一方、ガウス過程はそれらの組み合わせ効果を校正された不確実性で捉えている。 アーキテクチャは構造化された事前をサポートし、解釈可能かつメカニズム対応の予測と効率的なアクティブラーニングを可能にする。 DIVIDEは、分類画像パッチと非線形空間場を組み合わせた合成データセット、強誘電体パターンのフェロSIMスピン格子シミュレーション、およびPbTiO3膜からの実験的PFMヒステリシスループで実証される。 ベンチマーク全体では、DIVIDEはメカニズムを分離し、付加的な相互作用とスケールされた相互作用を再現し、ノイズの下でも堅牢である。 このフレームワークは、機械的、電磁的、光学的応答が共存する多機能データセットに自然に拡張する。

関連論文リスト

• Domain Switching on the Pareto Front: Multi-Objective Deep Kernel Learning in Automated Piezoresponse Force Microscopy [2.5041807796023425]
  強誘電体偏極スイッチングは、幅広い材料や装置の機能的性能を支えている。 本稿では,画像データから直接スイッチング動作を規定するマイクロ構造規則を推論する多目的カーネル学習ワークフローを提案する。 強誘電体領域のスイッチングを実証する一方で、我々の手法は複雑で微分不可能な設計空間をナビゲートするための強力で一般化可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-06-09T17:58:27Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Multi-branch of Attention Yields Accurate Results for Tabular Data [8.017123125747258]
  本稿では,エンコーダ・デコーダ・トランスを用いたMAYAを提案する。 エンコーダでは、複数の並列注意枝を構成するマルチブランチ・オブ・アテンション(MBA)を設計する。 我々は、より堅牢な表現を生成するために、動的一貫性重み制約を伴う協調学習を採用する。
  論文  参考訳（メタデータ） (2025-02-18T03:43:42Z)
• A Data-Driven Framework for Discovering Fractional Differential Equations in Complex Systems [8.206685537936078]
  本研究では、データから直接分数微分方程式(FDE)を発見するための段階的なデータ駆動フレームワークを提案する。 我々のフレームワークは、スパース観測とノイズ観測の分離と再構成のための代理モデルとしてディープニューラルネットワークを適用している。 本研究は, 凍結土壌のクリープ挙動に関する, 合成異常拡散データおよび実験データを含む, 各種データセットにわたるフレームワークの検証を行った。
  論文  参考訳（メタデータ） (2024-12-05T08:38:30Z)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• Discrete-Valued Neural Communication [85.3675647398994]
  コンポーネント間で伝達される情報を離散表現に制限することは、有益なボトルネックであることを示す。 個人は「猫」が特定の経験に基づいて何であるかについて異なる理解を持っているが、共有された離散トークンは、個人間のコミュニケーションが内部表現の個人差によって切り離されることを可能にする。 我々は、量子化機構をベクトル量子化変分オートコーダから共有符号ブックによる多頭部離散化に拡張し、離散値ニューラル通信に利用する。
  論文  参考訳（メタデータ） (2021-07-06T03:09:25Z)
• Transformers with Competitive Ensembles of Independent Mechanisms [97.93090139318294]
  隠れた表現とパラメータを複数のメカニズムに分割し、注意を通して情報を交換する新しいトランスフォーマー層を提案する。 TIM を大規模 BERT モデル、画像変換器、および音声強調について研究し、意味的に意味のある専門化とパフォーマンスの向上の証拠を見つけます。
  論文  参考訳（メタデータ） (2021-02-27T21:48:46Z)

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。