論文の概要: PiCSRL: Physics-Informed Contextual Spectral Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2603.26816v1
• Date: Thu, 26 Mar 2026 19:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.64009
• Title: PiCSRL: Physics-Informed Contextual Spectral Reinforcement Learning
• Title（参考訳）: PiCSRL:物理インフォームドコンテクストスペクトル強化学習
• Abstract要約: 埋め込みをドメイン知識を用いて設計したPiCSRL(Physics-Informed Contextual Spectral Reinforcement Learning)を提案する。 本研究では,物理インフォームド特徴を符号化して予測を改善する不確実性認知モデルを開発した。
• 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: High-dimensional low-sample-size (HDLSS) datasets constrain reliable environmental model development, where labeled data remain sparse. Reinforcement learning (RL)-based adaptive sensing methods can learn optimal sampling policies, yet their application is severely limited in HDLSS contexts. In this work, we present PiCSRL (Physics-Informed Contextual Spectral Reinforcement Learning), where embeddings are designed using domain knowledge and parsed directly into the RL state representation for improved adaptive sensing. We developed an uncertainty-aware belief model that encodes physics-informed features to improve prediction. As a representative example, we evaluated our approach for cyanobacterial gene concentration adaptive sampling task using NASA PACE hyperspectral imagery over Lake Erie. PiCSRL achieves optimal station selection (RMSE = 0.153, 98.4% bloom detection rate, outperforming random (0.296) and UCB (0.178) RMSE baselines, respectively. Our ablation experiments demonstrate that physics-informed features improve test generalization (0.52 R^2, +0.11 over raw bands) in semi-supervised learning. In addition, our scalability test shows that PiCSRL scales effectively to large networks (50 stations, >2M combinations) with significant improvements over baselines (p = 0.002). We posit PiCSRL as a sample-efficient adaptive sensing method across Earth observation domains for improved observation-to-target mapping.
• Abstract（参考訳）: 高次元低サンプルサイズ(HDLSS)データセットは、ラベル付きデータが希薄な環境モデル開発を制約する。 強化学習(RL)に基づく適応センシング手法は最適なサンプリングポリシーを学習することができるが、その応用はHDLSSの文脈において著しく制限されている。 そこで本研究では、ドメイン知識を用いて埋め込みを設計し、RL状態表現に直接解析し、適応センシングを改善したPiCSRL(Physics-Informed Contextual Spectral Reinforcement Learning)を提案する。 本研究では,物理インフォームド特徴を符号化して予測を改善する不確実性認知モデルを開発した。 代表的な例として,Erie湖上空のNASA PACEハイパースペクトル画像を用いたシアノバクテリア遺伝子濃度適応サンプリングタスクについて検討した。 PiCSRLは最適なステーション選択(RMSE = 0.153, 98.4%)、ランダム(0.296, UCB)、RMSEベースライン(0.178, UCB)を実現している。 我々のアブレーション実験は、物理インフォームド特徴が半教師付き学習におけるテスト一般化(生帯域0.52 R^2, +0.11)を改善することを示した。 さらに、我々の拡張性試験により、PiCSRLは、ベースライン(p = 0.002)よりも大幅に改善され、大きなネットワーク(50ステーション、>2Mの組み合わせ)に効果的にスケールできることが示されている。 我々は、地球観測領域を横断する試料効率適応センシング手法としてPiCSRLを仮定し、観測目標マッピングを改善する。

関連論文リスト

• RLVE: Scaling Up Reinforcement Learning for Language Models with Adaptive Verifiable Environments [111.87296453908199]
  適応検証環境(RLVE)を用いた強化学習の導入 RLVEは、各検証可能な環境が、トレーニングが進むにつれて、問題の難易度分布をポリシーモデルの能力に動的に適応させることを可能にする。 環境スケーリング,すなわち,トレーニング環境の収集を拡大することで,推論能力が継続的に向上することを示す。
  論文  参考訳（メタデータ） (2025-11-10T17:18:35Z)
• Casing Collar Identification using AlexNet-based Neural Networks for Depth Measurement in Oil and Gas Wells [18.590650630455325]
  ケーシング・カラー・ロケータ (CCL) を用いたコラー相関は, 精密深度校正の基礎となる。 本稿では,データセット構築を容易にするために,CCL信号取得のためのダウンホールツールに組み込まれたシステムを提案する。 データ拡張のための包括的事前処理手法を提案し、AlexNetベースのニューラルネットワークモデルを用いてその有効性を評価する。
  論文  参考訳（メタデータ） (2025-10-31T10:25:23Z)
• The Art of Scaling Reinforcement Learning Compute for LLMs [52.71086085139566]
  強化学習(RL)は、大規模言語モデルの訓練の中心となっている。 計算予算の急激な増加にもかかわらず、RL計算のスケーリングにおけるアルゴリズム改善の評価方法に関する原則的な理解は存在しない。 我々は,約40万時間以上のGPU時間を有する,最初の大規模体系的な研究を提示する。
  論文  参考訳（メタデータ） (2025-10-15T17:43:03Z)
• LifelongPR: Lifelong point cloud place recognition based on sample replay and prompt learning [15.464706470200337]
  本稿では,PCPRのための新しい連続学習フレームワークであるLifelongPRを提案する。 LifelongPRは、シーケンシャルポイントクラウドデータから知識を効果的に抽出し、融合する。 提案手法はmIR@1の6.50%,mR@1の7.96%,Fの8.95%削減を実現する。
  論文  参考訳（メタデータ） (2025-07-14T08:13:33Z)
• Angles Don't Lie: Unlocking Training-Efficient RL Through the Model's Own Signals [49.17123504516502]
  大規模言語モデル(LLM)のためのRFTパラダイムは、均一なデータサンプリングの下で同じクエリが冗長に露出するため、効率が悪い。 グラディエント駆動型アングルインフォームドナビゲーションRLフレームワークを提案する。 モデル固有の角度集中信号を利用することで、GAIN-RLは各エポックにおけるトレーニングデータを動的に選択し、一貫したインパクトのある勾配更新を確実にする。
  論文  参考訳（メタデータ） (2025-06-02T21:40:38Z)
• Clear Preferences Leave Traces: Reference Model-Guided Sampling for Preference Learning [59.11519451499754]
  直接選好最適化(DPO)は、言語モデルと人間の選好を整合させるデファクトアプローチとして登場した。 最近の研究によると、DPOの有効性はデータ品質のトレーニングに依存している。 基準モデル確率空間は,高品質なトレーニングサンプルを自然に検出する。
  論文  参考訳（メタデータ） (2025-01-25T07:21:50Z)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• Test-time adaptation for geospatial point cloud semantic segmentation with distinct domain shifts [6.80671668491958]
  テスト時間適応(TTA)は、ソースデータへのアクセスや追加のトレーニングなしに、推論段階でラベル付けされていないデータに事前訓練されたモデルの直接適応を可能にする。 本稿では,3つの領域シフトパラダイムを提案する。光グラムから空気中LiDAR,空気中LiDAR,合成-移動レーザー走査である。 実験の結果,分類精度は最大20%mIoUに向上し,他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-07-08T15:40:28Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling [2.9897531698031403]
  本稿では,入力とパラメータのグローバルマッピングを効率的に学習する,微分可能なパラメータ学習フレームワークを提案する。 トレーニングデータが増加するにつれて、dPLはより良いパフォーマンス、より物理的コヒーレンス、より良い一般化性を達成する。 土壌の水分と流水から学んだ例を示し,dPLが既存の進化的・地域的手法を著しく上回った。
  論文  参考訳（メタデータ） (2020-07-30T21:38:56Z)

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。