論文の概要: Importance inversion transfer identifies shared principles for cross-domain learning

• arxiv url: http://arxiv.org/abs/2602.09116v2
• Date: Wed, 11 Feb 2026 08:58:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 15:03:20.123213
• Title: Importance inversion transfer identifies shared principles for cross-domain learning
• Title（参考訳）: ドメイン間学習における共通原則の重要度変換
• Authors: Daniele Caligiore,
• Abstract要約: 本研究では、ネットワーク科学と説明可能な人工知能を統一する枠組みを定式化する。 生物学的、言語学的、分子的、社会的ネットワークにまたがって一般化する構造的不変性を優先する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The capacity to transfer knowledge across scientific domains relies on shared organizational principles. However, existing transfer-learning methodologies often fail to bridge radically heterogeneous systems, particularly under severe data scarcity or stochastic noise. This study formalizes Explainable Cross-Domain Transfer Learning (X-CDTL), a framework unifying network science and explainable artificial intelligence to identify structural invariants that generalize across biological, linguistic, molecular, and social networks. By introducing the Importance Inversion Transfer (IIT) mechanism, the framework prioritizes domain-invariant structural anchors over idiosyncratic, highly discriminative features. In anomaly detection tasks, models guided by these principles achieve significant performance gains - exhibiting a 56% relative improvement in decision stability under extreme noise - over traditional baselines. These results provide evidence for a shared organizational signature across heterogeneous domains, establishing a principled paradigm for cross-disciplinary knowledge propagation. By shifting from opaque latent representations to explicit structural laws, this work advances machine learning as a robust engine for scientific discovery.
• Abstract（参考訳）: 科学領域間で知識を伝達する能力は、共通の組織原理に依存している。 しかし、既存の移動学習手法は、特に重度のデータ不足や確率的ノイズの下で、過度に異質なシステムを橋渡しできないことが多い。 本研究は、ネットワーク科学と説明可能な人工知能を統合するフレームワークである説明可能なクロスドメイン・トランスファー・ラーニング(X-CDTL)を定式化し、生物学的、言語学的、分子的、社会的ネットワークにまたがる構造的不変性を識別する。 IIT(Importance Inversion Transfer)メカニズムを導入することで、このフレームワークは、慣用的かつ識別性の高い特徴よりも、ドメイン不変な構造的アンカーを優先する。 異常検出タスクでは、これらの原則によって導かれるモデルは、従来のベースラインよりも大きなパフォーマンス向上を実現します。 これらの結果は、異種ドメイン間で共有された組織的シグネチャの証拠となり、学際的知識伝達の原則的パラダイムを確立した。 この研究は、不透明な潜在表現から明示的な構造法則に移行することで、科学的な発見のための堅牢なエンジンとして機械学習を前進させる。

関連論文リスト

• Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
  大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。 この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。 このボトルネックは、帰属の曖昧さに起因している。 本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T04:19:52Z)
• Domain Translation of a Soft Robotic Arm using Conditional Cycle Generative Adversarial Network [0.8624680612413766]
  条件付きサイクル生成逆ネットワーク(CCGAN)に基づくドメイン翻訳フレームワークを提案する。 本モデルでは,両領域の対応する端点位置と向きを条件とした入力圧力信号から学習する。
  論文  参考訳（メタデータ） (2025-08-16T15:47:35Z)
• Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
  この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。 特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
  論文  参考訳（メタデータ） (2025-07-08T11:45:51Z)
• Decoupling Knowledge and Reasoning in Transformers: A Modular Architecture with Generalized Cross-Attention [9.401360346241296]
  本稿では,知識と推論を明確に分離するモジュール型トランスフォーマーアーキテクチャを提案する。 本稿では,標準トランスフォーマーのフィードフォワードネットワーク(FFN)が特殊ケースであることを示す厳密な数学的導出を提供する。
  論文  参考訳（メタデータ） (2025-01-01T12:55:57Z)
• Causal Temporal Representation Learning with Nonstationary Sparse Transition [22.6420431022419]
  Causal Temporal Representation Learning (Ctrl) 法は、複雑な非定常時間列の時間的因果ダイナミクスを特定することを目的としている。 この研究は、人間の直感的な理解と整合したスパース遷移の仮定を採用し、理論的な観点から識別可能性の結果を提示している。 本稿では,非定常スパース遷移を用いた因果時間表現学習(CtrlNS)を提案する。
  論文  参考訳（メタデータ） (2024-09-05T00:38:27Z)
• Identifiable Exchangeable Mechanisms for Causal Structure and Representation Learning [54.69189620971405]
  IEM(Identible Exchangeable Mechanisms)と呼ばれる,表現と構造学習のための統合フレームワークを提供する。 IEMは、交換可能な非i.d.データにおける因果構造同定に必要な条件を緩和する新しい洞察を提供する。 また、認識可能な表現学習における双対性条件の存在を実証し、新たな識別可能性結果をもたらす。
  論文  参考訳（メタデータ） (2024-06-20T13:30:25Z)
• Foundations for Transfer in Reinforcement Learning: A Taxonomy of Knowledge Modalities [28.65224261733876]
  我々は、知識の一般化と伝達を精査する機会と課題を考察する。 強化学習(RL)の領域では、知識の表現は様々なモダリティを通して現れる。 この分類学は、これらのモダリティを体系的に対象とし、それらの固有の性質と異なる目的や移動のメカニズムと整合性に基づいて議論の枠組みを定めている。
  論文  参考訳（メタデータ） (2023-12-04T14:55:58Z)

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。