論文の概要: Generative Adversarial Learning from Deterministic Processes

• arxiv url: http://arxiv.org/abs/2605.18425v1
• Date: Mon, 18 May 2026 13:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.696002
• Title: Generative Adversarial Learning from Deterministic Processes
• Title（参考訳）: 決定論的プロセスからの生成的対立学習
• Authors: Joris C. Kühl, Hanno Gottschalk,
• Abstract要約: 物理AIは、独立的で同一に分散されたサンプル(すなわちd.d.)の伝統的なパラダイムに従わないデータに適用されている。 実際、物理的なAIはランダムではないデータに基づいて訓練されることが多く、代わりに乱流のようなカオス力学系から派生している。
• 参考スコア（独自算出の注目度）: 2.915947686247852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical AI is being successfully applied to data which does not follow the traditional paradigm of independent and identically distributed (i.i.d.) samples. In fact, physical AI is often trained on data which is not random at all, and is instead derived from chaotic dynamical systems like turbulence. We aim to explain the empirical success of these methods using the example of generative adversarial networks (GANs), whose statistical learning theory under the i.i.d. assumption is generally well understood. We prove that it is possible, using an infinite-dimensional model of generative adversarial learning (GAL), to learn the invariant distribution of a sufficiently chaotic dynamical system from a single deterministically evolving time series of its states or measurements thereof, and give explicit rates for the convergence to the solution in terms of the Jensen-Shannon divergence.
• Abstract（参考訳）: 物理AIは、独立的で同一に分散されたサンプル(すなわちd.d.)の伝統的なパラダイムに従わないデータに適用されている。 実際、物理的なAIはランダムではないデータに基づいて訓練されることが多く、代わりに乱流のようなカオス力学系から派生している。 我々は,これらの手法の実証的な成功を,GAN(Generative Adversarial Network)の例を用いて説明することを目的としている。 生成逆数学習(GAL)の無限次元モデルを用いて,その状態や測定の1つの決定論的に進化する時系列から十分にカオスな力学系の不変分布を学習し,ジェンセン=シャノンの発散による解の収束率を明示することが可能になる。

関連論文リスト

• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Universal Learning of Stochastic Dynamics for Exact Belief Propagation using Bernstein Normalizing Flows [10.143540866021542]
  本稿では、両方の性質を満たすモデルのクラスの理論的基礎を確立する。 提案手法は, 正規化密度推定の表現性とベルンシュタイン流の解析的トラクタビリティを組み合わせたものである。
  論文  参考訳（メタデータ） (2025-09-19T02:36:35Z)
• Identifiability Challenges in Sparse Linear Ordinary Differential Equations [4.895067344504143]
  スパースシステムは,実質的に関係のあるスパース性体制において,正の確率で識別できないことを示す。 さらに、この理論的不同一性は、データから線形ODEを推定する最先端の手法でどのように現れるのかを実証的に研究する。
  論文  参考訳（メタデータ） (2025-06-11T14:55:36Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Training Implicit Generative Models via an Invariant Statistical Loss [3.139474253994318]
  暗黙的な生成モデルは任意の複雑なデータ分布を学習する能力を持つ。 マイナス面として、トレーニングでは、敵対的判別器を使用して人工的に生成されたデータと実際のデータを区別する必要がある。 本研究では,1次元(1次元)生成暗黙的モデルを学習するための判別器フリーな手法を開発した。
  論文  参考訳（メタデータ） (2024-02-26T09:32:28Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Generative Adversarial Network for Probabilistic Forecast of Random Dynamical System [19.742888499307178]
  本研究では,確率力学系のデータ駆動型シミュレーションのための深層学習モデルを提案する。 本稿では,逐次推論問題に対する一貫性条件に基づく生成逆数ネットワークの正規化戦略を提案する。 複雑な雑音構造を持つ3つのプロセスを用いて,提案モデルの挙動について検討した。
  論文  参考訳（メタデータ） (2021-11-04T19:50:56Z)

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。