論文の概要: Knob: A Physics-Inspired Gating Interface for Interpretable and Controllable Neural Dynamics

• arxiv url: http://arxiv.org/abs/2602.22702v1
• Date: Thu, 26 Feb 2026 07:25:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.575851
• Title: Knob: A Physics-Inspired Gating Interface for Interpretable and Controllable Neural Dynamics
• Title（参考訳）: Knob: 解釈可能で制御可能なニューラルダイナミクスのための物理インスパイアされたゲーティングインタフェース
• Authors: Siyu Jiang, Sanshuai Cui, Hui Zeng,
• Abstract要約: Knobは、ディープラーニングと古典的な制御理論を結びつけるフレームワークである。 我々のフレームワークは、慣れ親しんだ物理アナログを通して「安定性」と「感度」をチューニングできる。
• 参考スコア（独自算出の注目度）: 7.965536008626047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing neural network calibration methods often treat calibration as a static, post-hoc optimization task. However, this neglects the dynamic and temporal nature of real-world inference. Moreover, existing methods do not provide an intuitive interface enabling human operators to dynamically adjust model behavior under shifting conditions. In this work, we propose Knob, a framework that connects deep learning with classical control theory by mapping neural gating dynamics to a second-order mechanical system. By establishing correspondences between physical parameters -- damping ratio ($ζ$) and natural frequency ($ω_n$) -- and neural gating, we create a tunable "safety valve". The core mechanism employs a logit-level convex fusion, functioning as an input-adaptive temperature scaling. It tends to reduce model confidence particularly when model branches produce conflicting predictions. Furthermore, by imposing second-order dynamics (Knob-ODE), we enable a \textit{dual-mode} inference: standard i.i.d. processing for static tasks, and state-preserving processing for continuous streams. Our framework allows operators to tune "stability" and "sensitivity" through familiar physical analogues. This paper presents an exploratory architectural interface; we focus on demonstrating the concept and validating its control-theoretic properties rather than claiming state-of-the-art calibration performance. Experiments on CIFAR-10-C validate the calibration mechanism and demonstrate that, in Continuous Mode, the gate responses are consistent with standard second-order control signatures (step settling and low-pass attenuation), paving the way for predictable human-in-the-loop tuning.
• Abstract（参考訳）: 既存のニューラルネットワークキャリブレーション手法は、キャリブレーションを静的なポストホック最適化タスクとして扱うことが多い。 しかし、これは実世界の推論の動的・時間的性質を無視している。 さらに、既存の手法では、人間の操作者がシフト条件下でのモデル動作を動的に調整できる直感的なインタフェースを提供していない。 本研究では,ニューラルゲーティング力学を2次機械系にマッピングすることで,ディープラーニングと古典的制御理論を結びつけるフレームワークであるKnobを提案する。 物理パラメーター -- 減衰比($)と自然周波数($ω_n$) -- とニューラルゲーティングの対応を確立することで、可変な「安全弁」を作成する。 コア機構は、入力適応温度スケーリングとして機能するロジトレベル凸融合を用いる。 特にモデルブランチが矛盾する予測を生成する場合、モデルの信頼性を低下させる傾向があります。 さらに、二階ダイナミックス (Knob-ODE) を付与することにより、静的タスクの標準処理、連続ストリームの状態保存処理といった \textit{dual-mode} 推論を可能にする。 我々のフレームワークは、慣れ親しんだ物理アナログを通して「安定性」と「感度」をチューニングできる。 本稿では,最先端のキャリブレーション性能を主張するよりも,その概念の実証と制御理論特性の検証に焦点をあてる。 CIFAR-10-Cの実験はキャリブレーション機構を検証し、連続モードでは、ゲート応答が標準の2階制御シグネチャ(ステップセッティングと低パス減衰)と整合していることを示し、予測可能なヒューマン・イン・ザ・ループ・チューニングの道を開く。

関連論文リスト

• A Unified Cortical Circuit Model with Divisive Normalization and Self-Excitation for Robust Representation and Memory Maintenance [2.705743343600661]
  本稿では,分割正規化と自己励磁を組み合わせ,ロバストな符号化を実現するリカレントニューラルネットワークを提案する。 2つの標準タスクでモデルの汎用性を実証する。 この研究は、ノイズ抑圧、ワーキングメモリ、近似ベイズ推論を橋渡しする統一的な数学的枠組みを確立する。
  論文  参考訳（メタデータ） (2025-08-18T08:00:24Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control [2.884893167166808]
  本稿では,非線形力学系のためのソフトウェアセンサの設計手法を提案する。 明示的な変換や線形化に依存する従来のモデルベースオブザーバとは異なり、提案フレームワークはニューラルネットワークと適応スライディングモード制御(SMC)を統合している。 トレーニング手法は、物理に基づく制約としてシステムの制御方程式を活用することで、基底構造軌道にアクセスせずにオブザーバ合成を可能にする。
  論文  参考訳（メタデータ） (2025-07-09T13:06:58Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Modeling Time-Variant Responses of Optical Compressors with Selective State Space Models [0.0]
  本稿では,Selective State Spaceモデルを用いたディープニューラルネットワークを用いた光学ダイナミックレンジ圧縮機のモデル化手法を提案する。 ネットワークを動的に調整するために、機能ワイドリニア変調とゲート付きリニアユニットを統合した洗練された技術が特徴である。 提案アーキテクチャは、ライブオーディオ処理において重要な低レイテンシおよびリアルタイムアプリケーションに適している。
  論文  参考訳（メタデータ） (2024-08-22T17:03:08Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
  我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。 実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-23T14:18:39Z)
• On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
  制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。 本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。 我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
  論文  参考訳（メタデータ） (2022-07-22T14:54:13Z)

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。