論文の概要: Procela: Epistemic Governance in Mechanistic Simulations Under Structural Uncertainty

• arxiv url: http://arxiv.org/abs/2604.00675v1
• Date: Wed, 01 Apr 2026 09:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.920064
• Title: Procela: Epistemic Governance in Mechanistic Simulations Under Structural Uncertainty
• Title（参考訳）: Procela: 構造不確実性下でのメカニスティックシミュレーションにおけるエピステミックガバナンス
• Authors: Kinson Vernet,
• Abstract要約: Procelaはシミュレーションが自身の仮定をテストする最初のフレームワークである。 競合する3家族の病院ネットワークでProcela for AMRをインスタンス化する。 その結果、基準値よりも20.4%のエラー削減と69%の累積的後悔改善が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mechanistic simulations typically assume fixed ontologies: variables, causal relationships, and resolution policies are static. This assumption fails when the true causal structure is contested or unidentifiable-as in antimicrobial resistance (AMR) spread, where contact, environmental, and selection ontologies compete. We introduce Procela, a Python framework where variables act as epistemic authorities that maintain complete hypothesis memory, mechanisms encode competing ontologies as causal units, and governance observes epistemic signals and mutates system topology at runtime. This is the first framework where simulations test their own assumptions. We instantiate Procela for AMR in a hospital network with three competing families. Governance detects coverage decay, policy fragility, and runs structural probes. Results show 20.4% error reduction and 69% cumulative regret improvement over baseline. All experiments are reproducible with full auditability. Procela establishes a new paradigm: simulations that model not only the world but their own modeling process, enabling adaptation under structural uncertainty.
• Abstract（参考訳）: 力学シミュレーションは通常、固定オントロジーを仮定する:変数、因果関係、解像度ポリシーは静的である。 この仮定は、接触、環境、選択オントロジーが競合する抗微生物抵抗 (AMR) において、真の因果構造が競合するか、不明であるときに失敗する。 ProcelaはPythonのフレームワークで,変数が完全な仮説記憶を維持するための疫学的な権威として機能し,競合するオントロジーを因果単位としてエンコードするメカニズムを導入し,ガバナンスは疫学的な信号を観察し,実行時にシステムトポロジを変更する。 これはシミュレーションが自身の仮定をテストする最初のフレームワークである。 競合する3家族の病院ネットワークでProcela for AMRをインスタンス化する。 ガバナンスは、カバレッジの崩壊、ポリシーの脆弱さを検出し、構造的なプローブを実行する。 その結果、基準値よりも20.4%のエラー削減と69%の累積的後悔改善が得られた。 すべての実験は完全な監査性で再現可能である。 Procelaは、世界だけでなく、独自のモデリングプロセスもモデル化し、構造的不確実性の下で適応を可能にするシミュレーションという、新しいパラダイムを確立している。

関連論文リスト

• Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
  VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。 本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:20:38Z)
• Disentangling Dynamical Systems: Causal Representation Learning Meets Local Sparse Attention [14.165510655766944]
  本稿では,因果表現学習を利用した新たな識別可能性定理を開発し,システムパラメータの不整合表現を明らかにする。 システムのパラメータ同定を変分推論問題としてインスタンス化し、スパーシリティ規則化変換器を用いて状態依存因果構造を解明する。
  論文  参考訳（メタデータ） (2026-03-15T17:03:34Z)
• OrthoFormer: Instrumental Variable Estimation in Transformer Hidden States via Neural Control Functions [0.0]
  シーケンシャルなモデリングにおいて優れたトランスフォーマーアーキテクチャは、相関学習によって基本的に制限される。 そこで我々はOrthoFormerを提案する。OrthoFormerは機械的変数推定をニューラル制御機能を介してTransformerブロックに直接組み込む因果的基底アーキテクチャである。
  論文  参考訳（メタデータ） (2026-03-08T03:05:16Z)
• Epistemic Traps: Rational Misalignment Driven by Model Misspecification [36.837352790122544]
  安全性は,報酬等級の連続関数ではなく,エージェントの先行処理によって決定される離散位相であることを示す。 これにより、ロバストなアライメントに必要な条件として、主観的モデルエンジニアリングが確立される。
  論文  参考訳（メタデータ） (2026-01-27T09:21:36Z)
• Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
  測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。 LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。 我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
  論文  参考訳（メタデータ） (2026-01-20T16:15:38Z)
• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• The Theory of the Unique Latent Pattern: A Formal Epistemic Framework for Structural Singularity in Complex Systems [2.44755919161855]
  本稿では,動的システムにおける複雑性の起源を再定義する形式的枠組みとして,一様潜在パターンの理論(ULP)を紹介する。 ULPは、本質的なランダム性や創発的な非線形性に予測不可能をもたらすのではなく、全ての分析可能な系は構造的にユニークで決定論的な生成機構によって支配されていると主張する。
  論文  参考訳（メタデータ） (2025-05-24T19:52:28Z)
• Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach [51.012396632595554]
  不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。 最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。 本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
  論文  参考訳（メタデータ） (2023-12-15T12:58:05Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)

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。