Fugu-MT 論文翻訳(概要): Generative Models and Statistical Validation

論文の概要: Generative Models and Statistical Validation

arxiv url: http://arxiv.org/abs/2605.30453v1
Date: Thu, 28 May 2026 18:25:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.16818
Title: Generative Models and Statistical Validation
Title（参考訳）: 生成モデルと統計的検証
Authors: Sascha Diefenbacher, Sofia Palacios Schweitzer, Gregor Kasieczka,
Abstract要約: 生成機械学習は理論と実験物理学において重要なツールとなっている。まず、現代の生成ネットワークの基盤となる枠組みを紹介し、その正確性、精度、統計的パワーを定量化する上での課題について議論する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Generative machine learning has become an essential tool in theoretical and experimental physics, especially in the context of fast surrogates and density estimators. In this work, we first introduce the underlying framework of modern generative networks and then discuss challenges in quantifying their accuracy, precision, and statistical power.
Abstract（参考訳）: 生成機械学習は、特に高速な代理と密度推定器の文脈において、理論および実験物理学において重要なツールとなっている。本稿では、まず、現代の生成ネットワークの基盤となる枠組みを紹介し、その正確性、精度、統計的パワーを定量化する上での課題について論じる。

関連論文リスト

Learning to Validate Generative Models: a Goodness-of-Fit Approach [0.0]
本研究では,NPLM(New Physics Learning Machine)を用いて,高次元の科学的データに基づいて学習した生成ネットワークをテストする。 NPLMは、Neyman-Pearson構造にインスパイアされた、良質なテストのための学習ベースのアプローチである。 NPLMは、データのサブ最適化された領域を診断する手段を提供しながら、強力なバリデーション手法として機能することを示す。
論文参考訳（メタデータ） (2025-11-12T08:47:08Z)
Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文参考訳（メタデータ） (2025-02-17T18:04:39Z)
High-dimensional learning of narrow neural networks [1.7094064195431147]
この原稿は、機械学習の最近の進歩の根底にあるツールとアイデアをレビューしている。本稿では,これまで研究されてきたモデルを特殊インスタンスとして包含する汎用モデル(シーケンスマルチインデックスモデル)を提案する。複製法や近似メッセージパッシングアルゴリズムなどの統計物理手法を用いて,シーケンス多重インデックスモデルの学習過程を詳細に解析する。
論文参考訳（メタデータ） (2024-09-20T21:20:04Z)
Generative Learning of Continuous Data by Tensor Networks [45.49160369119449]
本稿では,連続データのためのテンソルネットワーク生成モデルについて紹介する。我々は、このモデルの性能を、いくつかの合成および実世界のデータセットでベンチマークする。本手法は, 急速に成長する生成学習分野において, 量子インスピレーション法の有効性を示す重要な理論的, 実証的な証拠を与える。
論文参考訳（メタデータ） (2023-10-31T14:37:37Z)
On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
論文参考訳（メタデータ） (2022-09-28T11:41:38Z)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)
Tensor networks for unsupervised machine learning [9.897828174118974]
本稿では,量子多体物理学の行列状態と機械学習の自己回帰モデルを組み合わせたテンソルネットワークモデルであるAutoregressive Matrix Product States(AMPS)を提案する。提案手法は,既存のテンソルネットワークモデルや制限されたボルツマンマシンよりも優れていることを示す。
論文参考訳（メタデータ） (2021-06-24T12:51:00Z)
Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。