論文の概要: GeoCert: Certified Geometric AI for Reliable Forecasting

• arxiv url: http://arxiv.org/abs/2604.23474v1
• Date: Sat, 25 Apr 2026 23:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.381601
• Title: GeoCert: Certified Geometric AI for Reliable Forecasting
• Title（参考訳）: GeoCert: 信頼性の高い予測のための認証された幾何学的AI
• Authors: Regina Zhang, Zongru Li, Honggang Wen, Xiaofeng Liu, Siu-Ming Yiu, Pietro Liò, Kwok-Yan Lam,
• Abstract要約: 予測,物理推論,形式的検証を単一の微分可能な計算で統一する幾何学的AIフレームワークであるGeoCertを紹介する。 GeoCertは計算コストを97.5%削減しながら最先端の精度を実現している。
• 参考スコア（独自算出の注目度）: 36.62599672503088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting systems in science must be accurate, physically consistent, and certifiably reliable. Most existing models address prediction, constraint enforcement, and verification separately, limiting scalability and interpretability. We introduce GeoCert, a geometric AI framework that unifies forecasting, physical reasoning, and formal verification within a single differentiable computation. GeoCert formulates forecasting as evolution along a hyperbolic manifold, where negative curvature induces contraction dynamics, intrinsic robustness, and logarithmic-time certification. A hierarchical constraint architecture separates universal physical laws from domain-specific dynamics, enabling certified generalization across energy, climate, finance, and transportation systems. GeoCert achieves state-of-the-art accuracy while reducing computational cost by 97.5% and maintaining better certification rates. By embedding verification into the geometry of learning, GeoCert transforms forecasting from empirical approximation to formally verified inference, offering a scalable foundation for trustworthy, reproducible, and physically grounded scientific AI.
• Abstract（参考訳）: 科学における予測システムは正確で、物理的に一貫性があり、確実に信頼できるものでなければならない。 既存のモデルの多くは、予測、制約強制、検証を別々に扱い、スケーラビリティと解釈可能性を制限する。 予測,物理推論,形式的検証を単一の微分可能な計算で統一する幾何学的AIフレームワークであるGeoCertを紹介する。 ジオカルトの公式は双曲多様体に沿った進化として予測し、負の曲率は縮退力学、内在的堅牢性、対数時間証明を誘導する。 階層的な制約アーキテクチャは、普遍的な物理法則とドメイン固有の力学を分離し、エネルギー、気候、金融、輸送システムにまたがる認定された一般化を可能にする。 GeoCertは最先端の精度を実現し、計算コストを97.5%削減し、より良い認証率を維持する。 検証を学習の幾何学に組み込むことで、GeoCertは経験的近似から公式な検証された推論に予測を変換し、信頼性があり再現性があり、物理的に基礎付けられた科学AIのためのスケーラブルな基盤を提供する。

関連論文リスト

• GIAT: A Geologically-Informed Attention Transformer for Lithology Identification [6.315199366662337]
  Geologically-Informed Attention Transformer (GIAT) は、データ駆動型地質学的先行をTransformerの注意機構と融合させる新しいフレームワークである。 GIATは95.4%の精度で最先端のパフォーマンスを達成し、既存のモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-10T04:02:57Z)
• GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
  本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。 従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
  論文  参考訳（メタデータ） (2026-02-13T04:48:05Z)
• GeoConformal prediction: a model-agnostic framework of measuring the uncertainty of spatial prediction [1.8127783865655926]
  ジオコンフォーマル予測(GeoConformal Prediction)と呼ばれるモデルに依存しない不確実性評価手法を提案する。 空間回帰と空間予測の2つの古典的空間予測事例に適用する。 また,GeoConformalは,地理知識探索だけでなく,将来的なGeoAIモデルの設計の指導にも有用であることがわかった。
  論文  参考訳（メタデータ） (2024-12-05T18:40:06Z)
• Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
  本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。 GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。 我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:59:53Z)
• Towards physics-informed neural networks for landslide prediction [1.03590082373586]
  PINNは、一般的なプロキシ変数から地理的パラメータを明示的に取得するニューラルネットワークである。 我々のモデルは、標準感受性出力という形で優れた予測性能を生み出す。 このアーキテクチャは、他の研究で確認されれば、PINNベースの準リアルタイム予測に向けて開放される可能性がある、コサイスミックな地すべり予測に取り組むために構築されている。
  論文  参考訳（メタデータ） (2024-07-09T11:54:49Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)

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。