論文の概要: Mechanism Learning: Prototype-Anchored Mechanism Inference for Scientific Forecasting

• arxiv url: http://arxiv.org/abs/2605.17091v1
• Date: Sat, 16 May 2026 17:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.604789
• Title: Mechanism Learning: Prototype-Anchored Mechanism Inference for Scientific Forecasting
• Title（参考訳）: メカニズム学習:科学的予測のためのプロトタイプ・アンコレッドメカニズム推論
• Authors: Qian Jiang, Liping Sun,
• Abstract要約: 本稿では,現在活動している局所的なメカニズムを推定することにより,将来の安定性を予測するフレームワークであるメカニズム学習を紹介する。 この手法をBurgers dynamics, WeatherBench2, Lorenz96上で評価した。
• 参考スコア（独自算出の注目度）: 4.411999656517143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific forecasting typically relies on direct state prediction, an approach that grows brittle under data scarcity, extended horizons, non-stationary dynamics, or high-dimensional complexity. While raw state trajectories are highly sensitive in these regimes, underlying local evolution rules often exhibit robust reusability. We introduce mechanism learning, a framework that forecasts future states by estimating the currently active local mechanism. Our method compresses local spatiotemporal fragments into mechanism descriptors, forming a data-driven, structured mechanism space where proximity reflects similar local evolution rules. To ground these estimates in observed data, we utilize prototype anchors, a set of representative mechanisms that sparsely cover the space of local rules. We evaluate this approach on Burgers dynamics, WeatherBench2, and Lorenz96. Empirically, the learned mechanism spaces resist collapse and maintain strong local consistency. Compared to direct prediction and other models including FNO, NODE, LSTM, and reservoir-family methods, our framework demonstrates predictive gains in fragile regimes: it significantly improves switching stability in Burgers dynamics and achieves state-of-the-art performance both under the scarce-data fixed-horizon WeatherBench2 protocol and in intermediate-complexity Lorenz96. Ablation studies and drift diagnostics confirm that these improvements are driven by finite prototype anchoring rather than sheer latent capacity. Together, these results establish mechanism learning as a principled, robust alternative to direct state prediction in forecasting complex systems.
• Abstract（参考訳）: 科学的予測は、データ不足、地平線の拡張、非定常力学、高次元の複雑さの下で脆く成長するアプローチである、直接状態予測に依存するのが一般的である。 原状態の軌道はこれらの状態に非常に敏感であるが、根底にある局所的な進化規則は、しばしば堅牢な再利用性を示す。 本稿では,現在活動している局所的なメカニズムを推定することで,将来の状態を予測できるメカニズム学習を紹介する。 本手法は, 局所時空間の断片を機構記述子に圧縮し, 類似の局所的進化規則を反映したデータ駆動型構造機構空間を形成する。 これらの推定値を観測データに基盤として,局所ルールの空間を疎にカバーする代表的メカニズムの集合であるプロトタイプアンカーを用いる。 この手法をBurgers dynamics, WeatherBench2, Lorenz96上で評価した。 経験的に、学習された機構空間は崩壊に抵抗し、強い局所的な一貫性を維持する。 FNO, NODE, LSTM, および貯水池法などの直接予測モデルと比較して, 本フレームワークは, バーガース力学のスイッチング安定性を著しく向上し, 固定水平気象Bench2プロトコルおよび中間複雑度 Lorenz96 の下で, 最先端性能を実現している。 アブレーション研究とドリフト診断により、これらの改善は高い潜航能力ではなく、有限プロトタイプアンカーによって引き起こされていることが確認された。 これらの結果は、複雑なシステムの予測において、直接状態予測の原則的かつ堅牢な代替手段としてメカニズム学習を確立する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Navigating by Old Maps: The Pitfalls of Static Mechanistic Localization in LLM Post-Training [59.49057547517285]
  教師付き微調整プロセスを通してトランスフォーマー回路の構造変化を系統的に追跡する。 実験結果から,回路はパラメータ更新時に本質的に「自由進化」を示すことが明らかとなった。 この研究は、機械的ローカライゼーションにおける「予見」の必要性を浮き彫りにし、将来の研究の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-07T11:59:52Z)
• Anticipatory Reinforcement Learning: From Generative Path-Laws to Distributional Value Functions [0.0]
  本稿では,非マルコフ決定プロセスと古典的強化学習アーキテクチャのギャップを埋める新しいフレームワークである予測強化学習(ARL)を紹介する。 ジャンプ拡散と構造破壊によって特徴づけられる環境では、伝統的な状態に基づく手法は、正確なフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホ
  論文  参考訳（メタデータ） (2026-04-06T13:15:44Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Generative forecasting with joint probability models [2.8367488114717094]
  カオス力学系は初期条件に対して強い感度を示し、しばしば未解決のマルチスケールプロセスを含む。 生成モデルは、可算なシステムの進化よりも分布を学習することで、魅力的な代替手段を提供する。 共同生成モデルにより,短期予測能力の向上,アトラクタ幾何の保存,およびより正確な長距離統計的挙動が得られた。
  論文  参考訳（メタデータ） (2025-12-30T20:00:09Z)
• Calibrating Geophysical Predictions under Constrained Probabilistic Distributions [4.760743517243988]
  我々は,正規化に基づくキャリブレーションアルゴリズムと,機械学習予測を強化するためにKSD(Kernelized Stein Discrepancy)を導入する。 これはポイントワイズ予測を鋭くするだけでなく、物理原理に根ざした非局所統計構造との整合性も強要する。
  論文  参考訳（メタデータ） (2025-11-28T07:15:40Z)
• Stochastic dynamics learning with state-space systems [5.248564173595025]
  この研究は、フェージングメモリとエコー状態特性(ESP)の統一処理を提供することにより、貯水池コンピューティング(RC)の理論基盤を前進させる。 時系列学習における中心的なモデルクラスである状態空間システムについて検討し,ESPがなくても,記憶の低下と解安定性が全般的に維持されることを示す。
  論文  参考訳（メタデータ） (2025-08-11T11:49:01Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Learning Robust Models Using The Principle of Independent Causal Mechanisms [26.79262903241044]
  ICMの原理から目的関数を導出する勾配学習フレームワークを提案する。 理論的、実験的に、このフレームワークで訓練されたニューラルネットワークは、環境間で不変な関係に重点を置いていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T15:38:01Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。