論文の概要: When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models

• arxiv url: http://arxiv.org/abs/2606.24945v1
• Date: Tue, 23 Jun 2026 06:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.062992
• Title: When Do Conservation Laws Survive Learned Representations? Certified Horizons for Latent World Models
• Title（参考訳）: 保存法が学習表現を救ったのはいつか : 潜在世界モデルのための認証ホライズン
• Authors: Hongbo Wang,
• Abstract要約: 予算が表現、読み出し、潜時力学の欠陥に分解されるシェルホライゾン証明書を導出する。 保存証明書は、学習された表現を生き残ることができるが、全ての幾何学的事前証明が等しく生き残るわけではない。
• 参考スコア（独自算出の注目度）: 6.230579198456525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We ask a representation-learning question about physical world models: when does a conservation law remain certifiable after a model learns a latent representation? A certified horizon bounds -- in advance, from measurable model defects -- how many steps a rollout provably stays on a physical invariant's level set. The key design choice is what is certified: not a learned latent Hamiltonian or a learned scalar witness (a model can conserve either while drifting in true energy), but the decoded physical invariant obtained by decoding the latent state and evaluating the known invariant. Around this object we derive shell-horizon certificates whose budget decomposes into representation, readout, and latent-dynamics defects, with a monotone alignment bridge through which a soft learned witness yields a certified horizon for the decoded invariant, and test them across state, learned-lift, and pixel observations on conservative systems. Conservation certificates can survive learned representation, but not all geometric priors survive equally: hard canonical symplectic structure yields the longest horizons in known phase coordinates yet does not cross a learned chart, whereas a controlled-Lipschitz-aligned soft invariant survives in the learned-representation settings we test; pixel certification is recovered on a readout-stable sub-tube; and the Kepler problem exposes a geometric boundary. The central object is therefore not a latent Hamiltonian, but a decoded physical invariant whose robustness to representation learning can be measured, certified, and falsified.
• Abstract（参考訳）: 物理世界モデルに関する表現学習の質問:モデルが潜在表現を学習した後、保存法則はいつ証明されるのか? 認定された水平線は、事前に測定可能なモデル欠陥から - ロールアウトが物理的不変量のレベルセットに確実に保持されるステップの数から - の境界である。 学習した潜在ハミルトン人や学習したスカラー証人(モデルは真のエネルギーでドリフトしながらも保存できる)ではなく、潜在状態を復号し、既知の不変量を評価することによって得られる復号された物理的不変量である。 この対象の周辺では、予算が表現、読み出し、潜時力学の欠陥に分解されるシェルホライゾン証明書を導出し、ソフトラーニングな目撃者が復号された不変量に対して認定された地平線を得るモノトーンアライメントブリッジを通し、状態をまたいでそれらをテストし、保守的なシステム上での学習リフトとピクセル観測を行う。 ハードカノニカルシンプレクティック構造は、既知の位相座標において最長の地平線を産出するが、学習チャートを越えない一方、制御されたリプシッツ整列のソフト不変量は、我々がテストした学習表現設定で生存する;ピクセル認証は読み出し安定なサブチューブで回収される;ケプラー問題は幾何学境界を公開する。 したがって、中心となる対象は潜在ハミルトニアンではなく、表現学習に対する頑健さを計測し、証明し、ファルシフィケートできる復号された物理的不変量である。

関連論文リスト

• Physics from Video: Identifiability of Time-Invariant Second-Order ODEs under Minimal Trajectory Conditions [60.2784641643737]
  ビジュアルリアリズムと物理的な理解のギャップを埋めることは、ビデオベースの世界モデルにとって重要な課題である。 原画素からの連続時間物理法則の構造識別可能性について検討した。 レベルセットの傾斜被覆条件は、学習された潜伏空間が真の物理的状態に局所的に親和的であることを証明する。
  論文  参考訳（メタデータ） (2026-05-27T13:22:29Z)
• When Does LeJEPA Learn a World Model? [48.74247491501631]
  世界の真の自由度を揺るがす表現は、信頼できる計画や構成的一般化を支持できない。 我々は,LJEPAが非線形観測から世界の潜伏変数を線形に復元することを証明した。 本研究では,2次元の例から1024次元の潜伏物体まで,分布の短縮や画素ベースのロボット制御を含む実験により,この理論を検証した。
  論文  参考訳（メタデータ） (2026-05-25T22:56:26Z)
• SpatialEvo: Self-Evolving Spatial Intelligence via Deterministic Geometric Environments [75.60795462502949]
  SpaceEvoは3D空間推論のための自己進化型フレームワークである。 16の空間推論タスクカテゴリを明示的な幾何学的検証規則で定式化する。 注釈のない3Dシーンをゼロノイズのインタラクティブなオラクルに変換し、モデルコンセンサスを客観的な物理的フィードバックに置き換える。
  論文  参考訳（メタデータ） (2026-04-15T17:59:12Z)
• Causal Manifold Fairness: Enforcing Geometric Invariance in Representation Learning [0.0]
  本稿では,因果推論と幾何学的深層学習を橋渡しする新しいフレームワークであるCausal Manifold Fairness(CMF)を紹介する。 デコーダのヤコビアンとヘシアンに制約を課すことにより、CMFは潜在空間の規則が階層群全体にわたって保持されることを保証する。 CMFを合成構造因果モデル (SCMs) で検証し, タスクユーティリティを保ちながら, 敏感な幾何学的歪みを効果的に解消することを示した。
  論文  参考訳（メタデータ） (2026-01-06T14:05:22Z)
• Automated Discovery of Conservation Laws via Hybrid Neural ODE-Transformers [0.0]
  そこで本稿では,ノイズのある軌道データから保存量の発見を自動化するハイブリッドフレームワークを提案する。 提案手法は,(1)システムの力学の連続的なモデルを学習するニューラル正規微分方程式,(2)学習ベクトル場上で条件付けられた記号的候補不変量を生成する変換器,(3)これらの候補の有効性を示す強力な数値証明を提供する記号的数値検証器の3つの要素を統合する。
  論文  参考訳（メタデータ） (2025-10-30T17:32:04Z)
• On the Convergence of Gradient Descent for Large Learning Rates [55.33626480243135]
  固定ステップサイズを使用すると収束が不可能であることを示す。 正方形損失を持つ線形ニューラルネットワークの場合,これを証明した。 また、勾配に対するリプシッツ連続性のような強い仮定を必要とせず、より一般的な損失に対する収束の不可能性も証明する。
  論文  参考訳（メタデータ） (2024-02-20T16:01:42Z)
• Weakly Supervised Representation Learning with Sparse Perturbations [82.39171485023276]
  潜伏変数のスパース摂動によって生じる観測の監督が弱い場合、未知の連続潜伏分布の下で識別が達成可能であることを示す。 本稿では,この理論に基づく自然な推定手法を提案し,それを低次元の合成および画像に基づく実験で説明する。
  論文  参考訳（メタデータ） (2022-06-02T15:30:07Z)
• Implicit field supervision for robust non-rigid shape matching [29.7672368261038]
  2つの非剛性変形形状の対応を確立することは、ビジュアルコンピューティングにおける最も基本的な問題の1つである。 固定テンプレート上で連続的な形状の変形場を学習する自動デコーダフレームワークに基づく手法を提案する。 本手法は強い人工物の存在下では極めて堅牢であり,任意の形状のカテゴリに一般化することができる。
  論文  参考訳（メタデータ） (2022-03-15T07:22:52Z)
• LIMP: Learning Latent Shape Representations with Metric Preservation Priors [16.337713166628944]
  我々は,変形可能な3次元形状の潜在表現を学習する上で,メートル法保存の活用が最優先事項であると主張する。 我々の理論的根拠は、トレーニングサンプルだけでは、高忠実な生成モデルを実現するには不十分である、という観察にある。 測地線損失のバックプロパゲーションにおける微分可能な固有距離の導入を初めて実証した。
  論文  参考訳（メタデータ） (2020-03-27T08:53:34Z)

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。