論文の概要: The Degeneracy Distillery

• arxiv url: http://arxiv.org/abs/2606.23838v1
• Date: Mon, 22 Jun 2026 18:18:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.624222
• Title: The Degeneracy Distillery
• Title（参考訳）: The Degeneracy Distillery
• Authors: T. Lucas Makinen, Deaglan J. Bartlett, Niall Jeffrey, Benjamin D. Wandelt,
• Abstract要約: 本稿では, 縮退パラメータの組み合わせを検出し, 解決する方法である縮退蒸留について述べる。 可能性の情報幾何を探索することにより、縮退を物理モデルの本質的な性質として特徴づける。 我々は、シンボリック座標変換を発見し、様々な合成および実世界の問題に対するアプローチを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When two or more parameters or labels produce similar data, they are degenerate, or hard to distinguish. Degeneracies render both label prediction and inverse problems difficult, since both machine learning algorithms and probabilistic samplers rely on the distinguishability of data and its gradients with respect to parameters. However, identifying degeneracies in physical models or real-world datasets can be elucidating about the choice of model or the underlying process that produces the data. We present the degeneracy distillery, a method that (1) detects and (2) resolves degenerate parameter combinations (a) automatically and (b) symbolically, from parameter-data (or parameter-simulation) pairs alone, through estimation and flattening of the Fisher information matrix. By exploring the information geometry of the likelihood, we characterize degeneracies as an intrinsic property of the physical model, requiring no realised data observation. We demonstrate our approach on a range of synthetic and real-world problems, discovering symbolic coordinate transformations that identify the combinations of parameters of a model which yield independent effects on the data. The resulting coordinates flatten the Fisher information in expectation globally, in contrast to posterior-based methods that flatten only at a single point, and substantially reduce the simulation budget required for downstream neural posterior estimation. In test cases we require up to $10\times$ fewer simulations for posterior estimation at matched validation calibration whilst simultaneously gaining physical insight on the system.
• Abstract（参考訳）: 2つ以上のパラメータやラベルが類似したデータを生成する場合、それらは縮退し、区別が難しい。 デジネラシーはラベル予測と逆問題の両方を困難にしている。機械学習アルゴリズムと確率的サンプリングはどちらも、パラメータに対するデータの識別可能性とその勾配に依存しているからだ。 しかし、物理モデルや実世界のデータセットにおける退化を識別することは、モデルの選択やデータを生成する基盤となるプロセスについて解明することができる。 1) 縮退パラメータの組み合わせを検出し, (2) 解消する手法である縮退蒸留所について述べる。 (a)自動的に b) 記号的に、パラメータデータ(またはパラメータシミュレーション)ペアのみから、フィッシャー情報行列の推定と平坦化を通じて。 可能性の情報幾何を探索することにより、縮退を物理モデルの本質的な性質として特徴づけ、実現されたデータ観測を必要としない。 我々は,データに独立した影響をもたらすモデルのパラメータの組み合わせを識別するシンボリック座標変換を発見することによって,合成および実世界の様々な問題に対する我々のアプローチを実証する。 結果として得られた座標は、単一の点でしか平坦にしない後進法とは対照的に、フィッシャー情報を全世界的にフラットにし、下流の神経後進推定に必要なシミュレーション予算を大幅に削減する。 テストケースでは、一致したバリデーションキャリブレーションにおける後方推定のシミュレーションを最大10\times$で削減し、同時にシステムに関する物理的な洞察を得る必要があります。

関連論文リスト

• Machine Learning Surrogate Modeling for Homogenization of Hyperelastic Materials with Boolean Microstructures [0.0]
  データ駆動サロゲートモデルは、異種物質の数値的均質化の代替となる。 ニューラルネットワークはスカラーと曲線の統計記述子の組み合わせに基づいて訓練される。 パラメータ空間の制限ケースを表す追加データは、トレーニングを安定させ、外挿動作を改善するために組み込まれている。
  論文  参考訳（メタデータ） (2026-05-31T00:51:52Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Efficient Deconvolution in Populational Inverse Problems [6.1048542188987085]
  この研究は、関心のパラメータよりも分布を推定し、複数の観測セットにつながる逆タスクに焦点を当てている。 このような分散反転問題を解決する可能性はデータの可用性の向上によってもたらされるが、大きな障害はブラインド・デコンボリューションである。 本研究では,同じ物理過程の異なるインスタンス化から収集した大規模な観測データを活用する手法を提案する。
  論文  参考訳（メタデータ） (2025-05-26T11:25:46Z)
• An Iterative Bayesian Approach for System Identification based on Linear Gaussian Models [70.75865595489691]
  システム識別の問題に取り組み、入力を選択し、実際のシステムから対応する出力を観測し、データに最も合うようにモデルのパラメータを最適化する。 提案手法では,システムからの入力出力データとパラメータに関するモデルの1次情報のみを必要とする。
  論文  参考訳（メタデータ） (2025-01-28T01:57:51Z)
• Bayesian Surrogate Training on Multiple Data Sources: A Hybrid Modeling Strategy [3.2926386146887796]
  代理訓練中にシミュレーションデータと実世界の計測データを統合するための2つの新しい手法を提案する。 第1の方法は、各データソースに対するサロゲートモデルを訓練し、予測分布を組み合わせ、第2の方法は、単一のサロゲートをトレーニングすることで、両方のデータソースを組み込む。
  論文  参考訳（メタデータ） (2024-12-16T15:27:28Z)
• Beyond Convergence: Identifiability of Machine Learning and Deep Learning Models [0.0]
  本研究では,モデルパラメータ識別可能性の概念を,モーションセンサデータからのパラメータ推定に焦点をあてたケーススタディにより検討する。 我々は、質量、剛性、平衡脚長などの主観的パラメータを推定するために、ディープニューラルネットワークを用いる。 その結果、観測データから特定のパラメータを特定できるが、他のパラメータは未同定のままであることがわかった。
  論文  参考訳（メタデータ） (2023-07-21T03:40:53Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。