論文の概要: Quantifying the Reconstructability of Astrophysical Methods with Large Language Models and Information Theory: A Case Study in Spectral Reconstruction

• arxiv url: http://arxiv.org/abs/2605.11154v1
• Date: Mon, 11 May 2026 19:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.373965
• Title: Quantifying the Reconstructability of Astrophysical Methods with Large Language Models and Information Theory: A Case Study in Spectral Reconstruction
• Title（参考訳）: 大規模言語モデルと情報理論を用いた天体物理学的手法の再構成可能性の定量化:スペクトル再構成を事例として
• Authors: Hsing Wen Lin, Zong-Fu Sie,
• Abstract要約: 本稿では,その記述からいかに効率的に手法を再構築できるかを定量化するための情報理論フレームワークを提案する。 我々はシャノンエントロピーとジェンセン=シャノン発散を用いて、有効な実装の仮説空間がいかに強いテキストで制約されるかを測定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern astrophysical studies rely heavily on complex data analysis pipelines; however, published descriptions often lack the detail required for computational reproducibility. In this work, we present an information-theoretic framework to quantify how effectively a method can be reconstructed from its written description. By treating algorithmic reconstruction as a probability distribution generated by Large Language Models (LLMs), we utilize Shannon entropy and Jensen-Shannon divergence to measure how strongly text constrains the hypothesis space of valid implementations. We demonstrate this approach through a case study of Trans-Neptunian Object (TNO) spectral reconstruction from sparse photometry. By prompting frontier LLMs with varying levels of manuscript text (Title, Abstract, and Methods), we find that while increasing text successfully clarifies the overall algorithmic structure, it fails to eliminate variance at the implementation level. This persistent variance establishes an "entropy floor," demonstrating that multiple divergent implementations remain consistent with explicit instructions. To evaluate practical reproducibility, we convert these reconstructed algorithms into executable pipelines. Our results reveal that, while LLMs easily recover core functional methodologies, they systematically fail to infer the tacit expert knowledge required for strict scientific calibration. This pilot study demonstrates that LLMs can be repurposed as a zero-shot diagnostic tool to audit methodological transparency, helping authors identify missing structural constraints and preserve scientific integrity in an era of automated research.
• Abstract（参考訳）: 現代の天体物理学の研究は複雑なデータ分析パイプラインに大きく依存しているが、公表された記述は計算再現性に必要な詳細を欠いていることが多い。 本研究では,その記述からいかに効率的に手法を再構築できるかを定量化するための情報理論フレームワークを提案する。 アルゴリズム再構成をLarge Language Models (LLMs) が生成する確率分布として扱うことにより,Shannon entropy と Jensen-Shannon divergence を用いて,有効な実装の仮説空間がいかに強いテキストで制約されているかを測定する。 本研究では, スパース光度計を用いた経海王星天体(TNO)スペクトル再構成のケーススタディにより, このアプローチを実証する。 様々なレベルの原稿テキスト(Title, Abstract, Methods)でフロンティア LLM をプロンプトすることで,テキストの増大が全体のアルゴリズム構造を明確にする一方で,実装レベルでのばらつきを排除できないことがわかった。 この持続的な分散は「エントロピーフロア」を確立し、複数の分岐実装が明示的な命令と整合性を保つことを示す。 実際の再現性を評価するため、再構成されたアルゴリズムを実行可能なパイプラインに変換する。 以上の結果から,LSMは機能的方法論の根本的復元が容易であるが,厳密な科学的校正に必要な暗黙的な知識を体系的に推測することができないことが明らかとなった。 このパイロット研究は、LCMをゼロショット診断ツールとして再利用して、方法論的透明性を監査し、著者が欠落した構造的制約を特定し、自動研究の時代における科学的完全性を維持するのに役立つことを実証している。

関連論文リスト

• X-RAY: Mapping LLM Reasoning Capability via Formalized and Calibrated Probes [11.988348978958376]
  大規模言語モデル(LLM)は有望な性能を達成するが、その推論能力はいまだによく分かっていない。 我々は、校正された正式に検証されたプローブを用いてLCM推論能力をマッピングする説明可能な推論分析システムであるX線について述べる。 数学,物理学,化学の分野において,中等レベルから高度な問題に対する現状のLSMの評価を行った。
  論文  参考訳（メタデータ） (2026-03-05T15:34:22Z)
• Task-Awareness Improves LLM Generations and Uncertainty [48.857040212979484]
  ベイズ最適応答は、ビームサーチのような標準的な復号法より一貫して優れている。 我々の決定論的なフレームワークは、潜在応答構造を持つあらゆる問題に適用できる。
  論文  参考訳（メタデータ） (2026-01-29T10:16:23Z)
• 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)
• Taming Imperfect Process Verifiers: A Sampling Perspective on Backtracking [54.43083499412643]
  言語モデルの生成能力をプロセス検証器と組み合わせたテストタイムアルゴリズムは、新しい推論能力を引き出すための有望なレバーを提供する。 提案手法は, 理論的に根拠付きバックトラックを用いて, 検証誤差に対して, 確実な堅牢性を実現するための新しいプロセス誘導型テスト時間サンプリングアルゴリズムであるVGBを導入する。
  論文  参考訳（メタデータ） (2025-10-03T16:21:14Z)
• Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
  既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。 まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。 本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-16T20:58:05Z)
• Causal Representation Learning with Generative Artificial Intelligence: Application to Texts as Treatments [0.0]
  我々は、生成人工知能(GenAI)の力を活用して、テキストのような非構造化高次元処理による因果推論の有効性を高める方法を示す。 本稿では,大規模言語モデル(LLM)のような深層生成モデルを用いて治療を効率的に生成し,その内部表現をその後の因果効果推定に用いることを提案する。
  論文  参考訳（メタデータ） (2024-10-01T17:46:21Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
  本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。 理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。 実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-08-19T19:01:30Z)
• Gradient-Based Learning of Discrete Structured Measurement Operators for Signal Recovery [16.740247586153085]
  本稿では、勾配に基づく学習を利用して離散最適化問題を解く方法について述べる。 GLODISMO (Gradient-based Learning of DIscrete Structured Measurement Operators) によるアプローチの定式化 いくつかの信号回復アプリケーションにおいて,GLODISMOの性能と柔軟性を実証的に示す。
  論文  参考訳（メタデータ） (2022-02-07T18:27:08Z)

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。