論文の概要: Scale-Aware Adversarial Analysis: A Diagnostic for Generative AI in Multiscale Complex Systems

• arxiv url: http://arxiv.org/abs/2605.00510v1
• Date: Fri, 01 May 2026 08:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.913305
• Title: Scale-Aware Adversarial Analysis: A Diagnostic for Generative AI in Multiscale Complex Systems
• Title（参考訳）: スケールアウェア対応分析:マルチスケール複雑システムにおける生成AIの診断
• Authors: Mengke Zhao, Guang-Xing Li, Duo Xu, Keping Qiu,
• Abstract要約: 拘束拡散分解(CDD)による診断フレームワークについて紹介する。 連続したCDDベースのスケール空間内で決定論的介入を行う。 適度な物理的摂動の下では、制約のない生成モデルは局所的な構造的凍結と非線形不安定を示す。
• 参考スコア（独自算出の注目度）: 5.173587482427292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex physical systems, from supersonic turbulence to the macroscopic structure of the universe, are governed by continuous multiscale dynamics. While modern machine learning architectures excel at mapping the high-dimensional observables of these systems, it remains unclear whether they internalize the governing physical laws or merely interpolate discrete statistical correlations. Standard Explainable AI (XAI) architectures, particularly perturbation-based and gradient-saliency methods, rely on pixel-wise perturbations, which generate unphysical artifacts and push inputs off the valid empirical distribution. To resolve this, we introduce a diagnostic framework driven by Constrained Diffusion Decomposition (CDD), a diffusion-based multiscale data decomposition algorithm that enables physically constrained data generation and model evaluation via scale-aware modifications. Applying this framework to a Denoising Diffusion Probabilistic Model (DDPM), we execute deterministic interventions directly within the continuous, CDD-based scale space. We demonstrate that under moderate physical perturbations, the unconstrained generative model exhibits localized structural freezing and non-linear instability rather than continuous PDE-like responses. The network fails to maintain cross-scale continuity, causing the generative trajectory to diverge when pushed into unseen physical states. By synthesizing a continuum of physically coherent states, this scale-informed methodology establishes a controlled test ground to evaluate algorithmic vulnerabilities, providing the rigorous physical constraints necessary for future architectures to respect the multiscale causality of the natural universe.
• Abstract（参考訳）: 超音速乱流から宇宙のマクロ構造まで、複雑な物理系は連続的なマルチスケール力学によって支配される。 現代の機械学習アーキテクチャは、これらのシステムの高次元観測値のマッピングに優れているが、それらが支配的な物理法則を内在化するか、あるいは単に離散的な統計的相関を補間するだけなのかは定かではない。 XAI(Standard Explainable AI)アーキテクチャ、特に摂動をベースとし、勾配を許容する手法は、非物理的アーティファクトを生成し、有効な経験分布からインプットをプッシュするピクセル単位の摂動に依存している。 これを解決するために,拡散に基づく多スケールデータ分解アルゴリズムであるConstrained Diffusion Decomposition (CDD) によって駆動される診断フレームワークを導入する。 このフレームワークをDDPM(Denoising Diffusion Probabilistic Model)に適用し、CDDベースの連続的なスケール空間内で決定論的介入を直接実行する。 本研究では, 緩やかな物理的摂動の下では, 連続的なPDE様応答ではなく, 局所的な構造的凍結と非線形不安定性を示す。 ネットワークは大規模連続性を維持するのに失敗し、生成軌道は見えない物理的状態にプッシュされると分岐する。 物理コヒーレントな状態の連続体を合成することにより、このスケールインフォームド手法は、アルゴリズムの脆弱性を評価するための制御された試験場を確立し、未来のアーキテクチャーが自然界のマルチスケール因果関係を尊重するために必要な厳密な物理的制約を提供する。

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)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Physics as the Inductive Bias for Causal Discovery [7.9653270330458446]
  因果発見は、しばしば複雑な現実世界のシステムを分析するためのデータ駆動パラダイムである。 我々は,因果グラフ構造を利用してパラメータ推定を行うスケーラブルなスペーサ性誘導型MLEアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-02-03T23:42:01Z)
• 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)
• Machine learning assisted state prediction of misspecified linear dynamical system via modal reduction [0.0]
  固定されたパラメータを持つパラメトリックモデルは、幾何学、物質的挙動、減衰、境界条件の単純化による重要な物理的効果を省略することが多い。 本研究は、高次元有限要素に基づく構造力学系におけるMFE推定と補正のための包括的枠組みを導入する。 計算的トラクタビリティを確保するため、FEシステムは縮小されたモーダルベースに投影され、メッシュ不変のニューラルネットワークは、モーダル状態を不一致推定にマッピングする。
  論文  参考訳（メタデータ） (2026-01-08T10:14:27Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• PathoSyn: Imaging-Pathology MRI Synthesis via Disentangled Deviation Diffusion [11.223559964746705]
  磁気共鳴イメージング(MRI)画像合成のための統合生成フレームワークPathoSynを提案する。 PathoSynは、画像病理を安定な解剖学的多様体上の不整合加法偏差として再構成する。 PathoSynは、知覚現実主義と解剖学的忠実性の両方において、全体的拡散とマスク条件ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-29T01:13:50Z)
• Partially Functional Dynamic Backdoor Diffusion-based Causal Model [2.922436362861351]
  部分機能的動的バックドア拡散に基づく因果モデル(PFD-BDCM)を導入する。 PFD-BDCMは、有効なバックドア調整を拡散サンプリング機構に組み込んで、測定されていない共同設立者からのバイアスを軽減する。 実測値の誤差設定による理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-08-30T12:11:23Z)
• Anomaly Detection in Complex Dynamical Systems: A Systematic Framework Using Embedding Theory and Physics-Inspired Consistency [0.0]
  複雑な力学系における異常検出は、産業やサイバー物理のインフラにおける信頼性、安全性、効率を確保するために不可欠である。 本稿では,古典的な埋め込み理論と物理に着想を得た一貫性原理を基礎としたシステム理論による異常検出手法を提案する。 本研究は, 異常が安定系の力学を阻害する仮説を支持し, 異常検出のためのロバストな信号を提供する。
  論文  参考訳（メタデータ） (2025-02-26T17:06:13Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。