論文の概要: Where Is My Physics Wrong? Localized and Identifiable Discovery of Model Discrepancy

• arxiv url: http://arxiv.org/abs/2606.23215v1
• Date: Mon, 22 Jun 2026 12:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 23:19:09.142951
• Title: Where Is My Physics Wrong? Localized and Identifiable Discovery of Model Discrepancy
• Title（参考訳）: 私の物理の誤りはどこにあるのか?
• Authors: Yifan Wang,
• Abstract要約: LISDD, Localized, Identible Sparse Discovery of Discrepancyは, モデルエラーをオペレーティングシステムにローカライズするフレームワークである。 偽発見レート拡張は、異なるメカニズムの異なる複数の離散領域を扱う。 その結果、固定物理法則が1つの操作系で静かに破れるとき、グレーボックス建築エネルギーモデルの校正診断ツールが得られた。
• 参考スコア（独自算出の注目度）: 6.016090674751934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid models combine trusted physics with data-driven correction, but a physical model is rarely wrong everywhere or in the same way. The key diagnostic question is local: where does the model fail, what missing mechanism explains the failure, and is the evidence statistically real? Existing sparse-discovery and discrepancy-learning methods usually fit one global correction, which can spread a local error into clean regimes, bias trusted physical parameters, and provide no calibrated significance for selected terms. We introduce LISDD, Localized, Identifiable Sparse Discovery of Discrepancy, a framework that localizes model error to an operating regime, identifies a sparse symbolic form for the missing mechanism, and certifies the discovery with an exact finite-sample test. LISDD fits the known physics on an automatically detected clean regime, flags discrepant regions with a calibrated residual-energy statistic, selects the local missing term by exhaustive holdout over a candidate library, and confirms significance with a sample-split $F$-test. A false-discovery-rate extension handles multiple discrepant regions with different missing mechanisms. In controlled experiments, LISDD keeps physical-parameter bias at 0.002 versus 0.43 for global-discrepancy and black-box baselines, raises localization $F_1$ from 0.44 to 0.80, recovers the correct symbolic form with probability one, attains exact detection, and controls the multi-region false-discovery rate while recovering every planted mechanism. The result is a calibrated diagnostic tool for grey-box building-energy models when a fixed physical law silently breaks in one operating regime.
• Abstract（参考訳）: ハイブリッドモデルは信頼性のある物理とデータ駆動の補正を組み合わせるが、物理モデルは至る所で、同じ方法で間違っていることは滅多にない。 重要な診断問題はローカルである: モデルはどこで失敗するのか、失敗したメカニズムは何が失敗を説明するのか、そして証拠は統計的に本物か? 既存のスパース発見法と離散学習法は、通常は1つの大域的補正に適合するが、これは局所的な誤差をクリーンなレジームに分散させ、信頼された物理パラメータをバイアスし、選択された用語に校正された意味を与えない。 LISDD, Localized, Identifiable Sparse Discovery of Discrepancyは, モデルエラーをオペレーティングシステムにローカライズするフレームワークであり, 欠落機構のスパースシンボル形式を識別し, 正確な有限サンプルテストで発見を認証する。 LISDDは、既知の物理を、自動的に検出されたクリーンな状態に適合させ、キャリブレーションされた残エネルギー統計値を持つフラグの離散領域を指定し、候補ライブラリを徹底的にホールドアウトすることで局所欠落項を選択し、サンプル分割された$F$-testで意義を確認する。 偽発見レート拡張は、異なるメカニズムの異なる複数の離散領域を扱う。 制御された実験では、LISDDは物理パラメータバイアスを0.002対0.43に抑え、ローカライゼーションを$F_1$から0.44から0.80に引き上げ、確率1で正しいシンボルを復元し、正確な検出を達成し、すべての植付されたメカニズムを回復しながらマルチリージョンの偽発見率を制御する。 その結果、固定物理法則が1つの操作系で静かに破れるとき、グレーボックス建築エネルギーモデルの校正診断ツールが得られた。

関連論文リスト

• CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data [0.0]
  構成的人工ニューラルネットワーク(CANN)は、解釈可能な物質モデル発見を提供する。 CANNは、これまで、均質なテストから明らかなストレス-ストレインデータに基づいて、ストレス誘発設定に使われてきた。 ここでは, 応力非教師付きフルフィールド発見フレームワークであるEUCLIDとCANNを組み合わせて, スパース超弾性法則を同定する。
  論文  参考訳（メタデータ） (2026-06-12T15:44:06Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Semiparametric Efficient Test for Interpretable Distributional Treatment Effects [22.387735135790702]
  カーネルテストは介入結果法則の相違を検出することができるが、グローバルテストは法の相違点を明らかにしない。 本稿では, DR-ME法を応用し, 最初の半原理的に効率的な有限配置法を提案する。
  論文  参考訳（メタデータ） (2026-05-08T17:23:34Z)
• A self-evolving agent for explainable diagnosis of DFT-experiment band-gap mismatch [3.3602370127893724]
  本稿では,ミスマッチを自動的に診断するクローズドループエージェントであるXDFTを紹介する。 検証された124項目のベンチマークでは、XDFTは90件中70件のミスマッチの解決メカニズムを特定している。
  論文  参考訳（メタデータ） (2026-04-29T14:11:03Z)
• Sparse, self-organizing ensembles of local kernels detect rare statistical anomalies [7.472760645164855]
  弱い信号や稀な信号は、通常のデータの明らかな規則性の中に隠され、異常を検出して解釈する能力のギャップを生じさせます。 統計的不均衡領域の周囲の表現空間を適応的に分割する自己組織型ローカルカーネルのクラスを提案する。 本稿では,提案モデルにおける検出と自己組織化を駆動するメカニズムに関する理論的知見を提供し,本手法が現実的な高次元問題に与える影響を実証する。
  論文  参考訳（メタデータ） (2025-11-05T00:55:56Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)

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。