Fugu-MT 論文翻訳(概要): Phase-space entropy at acquisition reflects downstream learnability

論文の概要: Phase-space entropy at acquisition reflects downstream learnability

arxiv url: http://arxiv.org/abs/2512.19223v1
Date: Mon, 22 Dec 2025 10:03:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-23 18:54:32.704922
Title: Phase-space entropy at acquisition reflects downstream learnability
Title（参考訳）: 獲得時の位相空間エントロピーは下流学習性を反映する
Authors: Xiu-Cheng Wang, Jun-Jie Zhanga, Nan Cheng, Long-Gang Pang, Taijiao Du, Deyu Meng,
Abstract要約: 楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
参考スコア（独自算出の注目度）: 54.4100065023873
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Modern learning systems work with data that vary widely across domains, but they all ultimately depend on how much structure is already present in the measurements before any model is trained. This raises a basic question: is there a general, modality-agnostic way to quantify how acquisition itself preserves or destroys the information that downstream learners could use? Here we propose an acquisition-level scalar $ΔS_{\mathcal B}$ based on instrument-resolved phase space. Unlike pixelwise distortion or purely spectral errors that often saturate under aggressive undersampling, $ΔS_{\mathcal B}$ directly quantifies how acquisition mixes or removes joint space--frequency structure at the instrument scale. We show theoretically that $ΔS_{\mathcal B}$ correctly identifies the phase-space coherence of periodic sampling as the physical source of aliasing, recovering classical sampling-theorem consequences. Empirically, across masked image classification, accelerated MRI, and massive MIMO (including over-the-air measurements), $|ΔS_{\mathcal B}|$ consistently ranks sampling geometries and predicts downstream reconstruction/recognition difficulty \emph{without training}. In particular, minimizing $|ΔS_{\mathcal B}|$ enables zero-training selection of variable-density MRI mask parameters that matches designs tuned by conventional pre-reconstruction criteria. These results suggest that phase-space entropy at acquisition reflects downstream learnability, enabling pre-training selection of candidate sampling policies and as a shared notion of information preservation across modalities.
Abstract（参考訳）: 現代の学習システムは、ドメインによって大きく異なるデータを扱うが、いずれにせよ、どのモデルがトレーニングされる前に、測定結果にすでに構造が存在するかに依存する。買収自体が下流の学習者が利用できる情報を保存するか、破壊するかを定量化する、汎用的でモダリティに依存しない方法があるのだろうか? ここでは、楽器分解位相空間に基づく取得レベルの$ΔS_{\mathcal B}$を提案する。攻撃的なアンダーサンプリングの下でしばしば飽和する画素方向の歪みや純粋なスペクトル誤差とは異なり、$ΔS_{\mathcal B}$は、楽器スケールでの関節空間-周波数構造をどのように混合するかを直接定量化する。理論上, $ΔS_{\mathcal B}$ は周期的サンプリングの位相空間コヒーレンスをエイリアシングの物理的源として正しく同定し, 古典的なサンプリング理論の結果を復元することを示した。経験的に、マスク付き画像分類、加速MRI、巨大なMIMO(オーバー・ザ・エア計測を含む)、$|ΔS_{\mathcal B}|$は常にサンプリングジオメトリをランク付けし、下流での再構成/認識困難を予測します。特に、$|ΔS_{\mathcal B}|$の最小化は、従来の事前再構成基準で調整された設計と一致する可変密度MRIマスクパラメータのゼロトレーニング選択を可能にする。これらの結果から, 獲得時の位相空間エントロピーは下流の学習可能性に反映し, 候補サンプリングポリシーの選択を事前学習し, モダリティ間の情報保存の共有概念となることが示唆された。

関連論文リスト

Coupled Data and Measurement Space Dynamics for Enhanced Diffusion Posterior Sampling [27.146380722473932]
ノイズや不完全な測定から未知の信号を回復することが目的の逆問題であり、医療画像、リモートセンシング、計算生物学の中心である。本稿では,空間拡散後サンプリング(C-DPS)と呼ばれる新しいフレームワークを提案する。 C-DPSは、複数の逆問題ベンチマークにおいて、定性的かつ定量的に、既存のベースラインを一貫して上回る。
論文参考訳（メタデータ） (2025-10-08T18:59:16Z)
Post-Hoc Split-Point Self-Consistency Verification for Efficient, Unified Quantification of Aleatoric and Epistemic Uncertainty in Deep Learning [5.996056764788456]
不確実性定量化(UQ)は、信頼できる深層学習には不可欠であるが、既存の手法は計算集約的であるか、タスク固有の部分的な見積もりのみを提供する。本研究では,事前訓練したモデルの変更や再訓練を伴わずに,アレタリックおよびてんかんの不確実性を共同でキャプチャするポストホック・シングルフォワード・パス・フレームワークを提案する。提案手法は,EmphSplit-Point Analysis (SPA) を用いて,予測残差を上下サブセットに分解し,各側でEmphMean Absolute Residuals (MAR) を演算する。
論文参考訳（メタデータ） (2025-09-16T17:16:01Z)
Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
論文参考訳（メタデータ） (2025-02-14T03:26:57Z)
Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文参考訳（メタデータ） (2024-04-29T15:04:07Z)
Reweighted Manifold Learning of Collective Variables from Enhanced Sampling Simulations [2.6009298669020477]
多様体学習のための異方性拡散写像に基づくフレームワークを提供する。この枠組みは平衡密度を正確に記述したCVを生じるバイアス効果を逆転させることを示す。標準および改良されたサンプリングシミュレーションから得られたデータについて,多くの多様体学習手法で利用できることを示す。
論文参考訳（メタデータ） (2022-07-29T08:59:56Z)
Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文参考訳（メタデータ） (2021-11-15T09:08:27Z)
Towards Sample-Optimal Compressive Phase Retrieval with Sparse and Generative Priors [59.33977545294148]
O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
論文参考訳（メタデータ） (2021-06-29T12:49:54Z)
Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文参考訳（メタデータ） (2020-06-04T17:51:00Z)

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。