論文の概要: Constraint-Enhanced Physical Search through Correlation Matching

• arxiv url: http://arxiv.org/abs/2606.03554v1
• Date: Tue, 02 Jun 2026 12:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.228829
• Title: Constraint-Enhanced Physical Search through Correlation Matching
• Title（参考訳）: 相関マッチングによる制約強化物理探索
• Authors: Song-Ju Kim,
• Abstract要約: 本稿では,探索における時間的相関と更新ダイナミクスにおける制約による相関とを一致させる制約強化物理探索の原理を提案する。 保存法則は局所的な観測を空間的順序で微分的証拠に変換する一方で、時間的相関の駆動が探索を制御することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical systems do not merely add noise to search processes; they impose constraints that generate structured correlations. We propose a principle of constraint-enhanced physical search in which temporal correlations in exploration are matched to constraint-induced spatial correlations in the update dynamics. Using a minimal tug-of-war bandit model (TOW), we show that a conservation law converts local observations into differential evidence across alternatives, while a temporally correlated drive controls the order of exploration. Search efficiency is improved not by stronger randomness or by maximal anti-correlation, but by matching the temporal correlation to the physical update scale that converts feedback into evidence. A scaling estimate identifies the update-noise-to-contrast ratio as the leading parameter that limits how strongly temporal anti-correlation can be used. The results suggest a general organizing principle for physical search: constraints and fluctuations can generate structured spatiotemporal correlations, and efficient exploration emerges when these correlations are matched to the update dynamics.
• Abstract（参考訳）: 物理系は単に探索過程にノイズを加えるだけでなく、構造的相関を生成する制約を課す。 本稿では,探索における時間的相関と更新力学における制約による空間的相関とを一致させる制約強化物理探索の原理を提案する。 最小のタグ・オブ・ウォー・バンディット・モデル (TOW) を用いて、保存法は、局所的な観測を代替品間の差分証拠に変換し、時間的に相関した駆動が探索の順序を制御することを示す。 探索効率は、強いランダム性や最大反相関によって改善されるだけでなく、フィードバックを証拠に変換する物理的更新スケールと時間的相関によって改善される。 スケーリング推定は、更新-ノイズ-コントラスト比を、時間的反相関がどれだけ強く使用されるかを制限する主パラメータとして特定する。 制約とゆらぎは、構造化された時空間相関を生じさせ、これらの相関が更新ダイナミクスと一致した場合に効率的な探索が現れる。

関連論文リスト

• Revealing hidden correlations from complex spatial distributions: Adjacent Correlation Analysis [0.0]
  量間の相関は、変数間の関係を記述する最も信頼できる方法である。 複雑なパターンに対して、相関関係を直接検索することは、しばしば非現実的であり、複雑性と空間的不均一性は相関関係を曖昧にすることができる。 そこで我々は,そのような相関関係を抽出し,位相空間でそれらを表現するための新しい手法,近接相関解析法を開発した。
  論文  参考訳（メタデータ） (2025-06-06T05:31:29Z)
• ADFormer: Aggregation Differential Transformer for Passenger Demand Forecasting [13.568598787640127]
  本稿では,需要予測促進のための新たな洞察を提供する差分集約変換器(AD)を提案する。 空間的相関を利用して注意を喚起する一方で、空間と時間の性質に基づく集約戦略を設計する。 タクシーと自転車で行った実験は,本モデルの有効性と有効性を確認し,その実用的価値を実証した。
  論文  参考訳（メタデータ） (2025-06-03T07:55:51Z)
• DRAN: A Distribution and Relation Adaptive Network for Spatio-temporal Forecasting [19.064628208136273]
  本稿では,動的に適応し,時間とともに変化に適応できる分布関係適応ネットワーク(DRAN)を提案する。 正規化非正規化プロセスを可能にする空間因子学習モジュール(SFL)を開発した。 本手法は,気象予報や交通流予測タスクにおける最先端手法より優れている。
  論文  参考訳（メタデータ） (2025-04-02T09:18:43Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。