論文の概要: Generalizable Friction Coefficient Estimation via Material Embedding and Proxy Interaction Modeling

• arxiv url: http://arxiv.org/abs/2604.24188v1
• Date: Mon, 27 Apr 2026 08:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.864488
• Title: Generalizable Friction Coefficient Estimation via Material Embedding and Proxy Interaction Modeling
• Title（参考訳）: 材料埋め込みとプロキシ相互作用モデリングによる一般摩擦係数の推定
• Authors: Zhendong Wang, Huamin Wang,
• Abstract要約: 本稿では,プロキシ素材の小さな集合から,任意の対の摩擦$f(A,B)$を近似したプロキシベースのモデリングフレームワークを提案する。 シミュレーションおよび測定された摩擦データセットにおいて,本手法は高い予測精度,部分観測による頑健な性能,およびかなりの実験的貯蓄を実現する。
• 参考スコア（独自算出の注目度）: 25.893800429561534
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurately estimating friction coefficients between arbitrary material pairs is critical for robotics, digital fabrication, and physics-based simulation, but exhaustive pairwise testing scales quadratically with the number of materials. We introduce a proxy-based modeling framework that approximates any pairwise friction $f(A,B)$ from a small, fixed set of proxy materials $C=[c_1,\dots,c_k]$ by learning a per-material embedding $z_A = g(f(A,c1),\dots,f(A,ck))$ and a fusion function $p$ such that $f(A,B)\approx p\big(z_A,z_B\big)$. We present deterministic and probabilistic realizations of $g$ and $p$, procedures for selecting diverse proxy sets, and mechanisms for handling missing or noisy proxy measurements. The learned embeddings are compact, interpretable, and enable calibrated uncertainty estimates for downstream decision making. On simulated and measured friction datasets, our approach achieves high predictive accuracy, robust performance with partial observations, and substantial experimental savings by significantly reducing pairwise testing.
• Abstract（参考訳）: 任意の材料対間の摩擦係数を正確に推定することは、ロボット工学、デジタル製造、物理に基づくシミュレーションにおいて重要であるが、材料数と2次に比較して徹底的なペアワイズ試験が可能である。 プロキシベースのモデリングフレームワークを導入すると、小さな固定されたプロキシ素材の集合である$C=[c_1,\dots,c_k]$に対して、$z_A = g(f(A,c1),\dots,f(A,ck))$と、$f(A,B)\approx p\big(z_A,z_B\big)$との融合関数$p$を学習する。 我々は、$g$と$p$の決定論的および確率的実現、多様なプロキシセットを選択する手順、欠落またはノイズの多いプロキシ測定を扱うメカニズムを提示する。 学習された埋め込みはコンパクトで解釈可能で、下流の意思決定のための不確実性推定を校正できる。 シミュレーションおよび測定された摩擦データセットでは, 高い予測精度, 部分観測による頑健な性能, 対角試験の大幅な削減により, かなりの実験的貯蓄を実現している。

関連論文リスト

• Lecture notes on Machine Learning applications for global fits [0.0]
  この講義ノートは、現代の機械学習(ML)サロゲートを用いて、高エネルギー物理学におけるグローバルな統計的適合性を実現するための包括的なフレームワークを提供する。 まず、確率関数、ウィルクスの定理、プロファイル可能性を含むモデル構築の統計的基礎を概観する。 このノートには、アクティブな学習とガウス的プロセスによるトレーニングデータの効率的な生成を含む、堅牢なMLワークフローが詳述されている。
  論文  参考訳（メタデータ） (2026-04-08T18:53:02Z)
• Towards a Comprehensive Scaling Law of Mixture-of-Experts [54.117786590884776]
  本論文では,すべての重要な要因を考慮に入れた総合的かつ正確なMoEスケーリング法を提案する。 我々の結果は、$G$と$S$の最適設定が、モデルアーキテクチャとデータサイズの両方に依存しないことを示しています。 提案したMoEスケーリング法則は,将来のMoEモデル設計およびトレーニングを促進するための,正確かつ洞察に富んだガイダンスとして機能する可能性がある。
  論文  参考訳（メタデータ） (2025-09-28T06:35:34Z)
• T-Rex: Fitting a Robust Factor Model via Expectation-Maximization [0.0]
  統計的因子モデルに頑健に適合する新しい予測最大化(EM)アルゴリズムを提案する。 我々のアプローチは、楕円分布に対する散乱行列のタイラーのM-推定器に基づいている。 合成例と実例の両方について数値実験を行った。
  論文  参考訳（メタデータ） (2025-05-17T18:53:06Z)
• A Model-free Closeness-of-influence Test for Features in Supervised Learning [23.345517302581044]
  本研究では,2つの特徴が応答値に与える影響の差について検討する。 まず、特徴の影響に対する近接性の概念を提案し、この定義がモデルにおける係数の大きさに関するよく知られた概念を回復させることを示す。 そこで本研究では,モデルなし教師あり学習問題における影響の近接性をテストする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-20T19:20:18Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• Measuring Model Fairness under Noisy Covariates: A Theoretical Perspective [26.704446184314506]
  本研究では,雑音情報に基づく機械学習モデルの公平性の測定問題について検討する。 本稿では, 精度の高い公平性評価が可能な弱い条件を特徴付けることを目的とした理論的解析を行う。
  論文  参考訳（メタデータ） (2021-05-20T18:36:28Z)
• Stochastic Approximation for Online Tensorial Independent Component Analysis [98.34292831923335]
  独立成分分析(ICA)は統計機械学習や信号処理において一般的な次元削減ツールである。 本稿では,各独立成分を推定する副産物オンライン時系列アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-28T18:52:37Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Distributed, partially collapsed MCMC for Bayesian Nonparametrics [68.5279360794418]
  ディリクレ法やベータ・ベルヌーリ法のようなモデルでよく用いられる完全無作為測度は独立な部分測度に分解可能であるという事実を利用する。 この分解を用いて、潜在測度を、インスタンス化された成分のみを含む有限測度と、他のすべての成分を含む無限測度に分割する。 得られたハイブリッドアルゴリズムは、収束保証を犠牲にすることなくスケーラブルな推論を可能にすることができる。
  論文  参考訳（メタデータ） (2020-01-15T23:10:13Z)

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。