論文の概要: Silent Failures in Physics-Informed Neural Networks: Parameter Poisoning and the Limits of Loss-Based Validation

• arxiv url: http://arxiv.org/abs/2606.25151v1
• Date: Tue, 23 Jun 2026 20:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.139332
• Title: Silent Failures in Physics-Informed Neural Networks: Parameter Poisoning and the Limits of Loss-Based Validation
• Title（参考訳）: 物理インフォームドニューラルネットワークにおける無声故障:パラメータポジショニングと損失に基づく検証の限界
• Authors: David McShannon, Nicholas Dietrich,
• Abstract要約: 低トレーニング損失は、学習された解が物理的に正しいことを示す証拠として扱われる。 本稿では、符号化された物理が正しくない場合に仮定が故障することを示す。 私たちは低損失でトレーニングするが、誤った回答を与えるモデルを作成します。
• 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: Physics-informed neural networks (PINNs) embed governing equations in their loss function, enabling mesh-free solutions to partial differential equations. Low training loss is treated as evidence that the learned solution is physically correct. This paper shows that assumption breaks down when encoded physics are incorrect. By perturbing PDE parameters before training, a setting we describe as physics parameter poisoning or parameter misspecification, we produce models that train to low loss but give incorrect answers; we treat the perturbation schedule as sensitivity analysis rather than only as a security threat, and none of our claims requires an adversary. Achieving low residual loss does not discriminate accurate from inaccurate solutions: poisoned models reach losses at or below the clean baseline yet differ by large margins, so driving the residual down is not evidence of physical accuracy. Across three PDE systems (Burgers equation, Navier-Stokes cavity, and convection-diffusion), poisoned models match or beat the clean-model training loss while their solutions differ by up to 71% in the fixed sweep and up to 128% under adversarial search; at Cavity Re=400 the poisoned loss falls below the clean baseline. We define a detection difficulty ratio R (solution error divided by training loss) to summarize how invisible the corruption is, though cross-PDE comparison is complicated by differences in loss scale. We test six candidate defenses, none of which reliably detects corruption across all regimes. We propose a post-hoc defense: sweeping the PDE residual loss across parameter values without retraining. The loss minimum recovers the true training parameter without external data, and generalizes across all three PDE systems. The effect holds across five network architectures (8.7K to 133K parameters), is bidirectional, and is confirmed across multiple random seeds.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)はその損失関数に支配方程式を埋め込んで、偏微分方程式に対するメッシュフリーな解を可能にする。 低トレーニング損失は、学習された解が物理的に正しいことを示す証拠として扱われる。 本稿では、符号化された物理が正しくない場合に仮定が故障することを示す。 トレーニング前にPDEパラメータを摂動させることにより、物理パラメータ中毒またはパラメータの誤特定と記述し、損失の少ないトレーニングを行うが、誤った回答を与えるモデルを作成します。 汚染されたモデルは、クリーンベースラインまたはそれ以下で損失に達するが、大きなマージンによって異なるため、残余の減少は物理的な正確さの証拠ではない。 3つのPDEシステム(バーガーズ方程式、ナビエ・ストークス空洞、対流拡散)で有毒なモデルが一致またはクリーンなモデルのトレーニング損失を負う一方、それらの解は固定されたスイープで71%、敵探索で128%まで異なる。 我々は,損失スケールの違いによって相互PDE比較が複雑になるが,検出難度比R(学習損失で割った解法誤差)を定義して,汚損の可視さを要約する。 われわれは6つの防衛策を検証したが、いずれもすべての体制における腐敗を確実に検出するものではない。 本稿では,パラメータ値間のPDE残留損失を再トレーニングせずに除去するポストホックディフェンスを提案する。 損失最小限は、外部データなしで真のトレーニングパラメータを回復し、3つのPDEシステムすべてにわたって一般化する。 この効果は5つのネットワークアーキテクチャ(8.7Kから133Kパラメータ)に及び、双方向であり、複数のランダムシードで確認される。

関連論文リスト

• Loss-Conditional PINNs for Parametric PDE Families [45.945826972787415]
  物理インフォームドニューラルネットワーク(PINN)は、残差、境界、初期およびデータ損失の重み付けを最小化し、ODEとPDEの解を近似する。 我々は,Dosovitskiy と Djolonga (2020) の損失条件訓練を PDE-Residual 設定に適応させるLC-PINNを紹介した。 完全な物理情報しか持たないが、パラメトリックな家族の訓練も受けている。
  論文  参考訳（メタデータ） (2026-06-03T04:02:10Z)
• PINNs Failure Modes are Overfitting [13.063093054280946]
  PINNは、機械学習に基づく偏微分方程式(PDE)のクラスである。 それらはある種の単純な方程式で失敗し、損失が低いにもかかわらず間違った解に収束することが知られている。 障害モードは過度な適合の結果であり、定期化によって障害モードが消滅することを示します。
  論文  参考訳（メタデータ） (2026-05-29T06:46:51Z)
• The Rank and Gradient Lost in Non-stationarity: Sample Weight Decay for Mitigating Plasticity Loss in Reinforcement Learning [62.72522261010872]
  深部強化学習(RL)は、非定常性の性質により、可塑性の喪失に苦しむ。 ネットワーク最適化の理論的観点から, 可塑性損失問題について検討する。 勾配等級を復元する軽量な手法であるサンプル重み決定法を提案する。
  論文  参考訳（メタデータ） (2026-04-02T11:29:46Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Collocation-based Robust Variational Physics-Informed Neural Networks (CRVPINN) [0.0]
  物理インフォームドニューラルネットワーク(PINN)は部分微分方程式(PDE)の解法として成功している Robust Variational Physics-Informed Neural Networks (RVPINNs) の最近の研究は、基礎となる連続空間のノルムを離散レベルに便利に翻訳することの重要性を強調している。 本研究ではRVPINNの実装を加速し、元のPINNと同じ精神を持つ点配置方式でスパースグラム行列のLU分解を確立する。
  論文  参考訳（メタデータ） (2024-01-04T14:42:29Z)
• Learning from Integral Losses in Physics Informed Neural Networks [7.4308941970763795]
  本研究は,部分積分微分方程式の下での物理インフォームドネットワークのトレーニング問題に対する解を提案する。 これらの積分を偏りのない推定値に置き換えることで、偏りのある損失関数や解が導かれることを示す。 また,提案手法が提案され,提案手法が提案されることにより,サンプルサイズの積分値と同等の精度で精度の高い解が得られることを示す。
  論文  参考訳（メタデータ） (2023-05-27T06:46:08Z)
• LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
  エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。 ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
  論文  参考訳（メタデータ） (2022-06-19T14:41:08Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation [51.17232267143098]
  ステレオ画像から3次元物体を検出するための新しいシステムDisp R-CNNを提案する。 我々は、LiDAR点雲を必要とせずに、統計的形状モデルを用いて、密度の異なる擬似地下構造を生成する。 KITTIデータセットの実験によると、LiDARの基盤構造がトレーニング時に利用できない場合でも、Disp R-CNNは競争性能を達成し、平均精度で従来の最先端手法を20%上回っている。
  論文  参考訳（メタデータ） (2020-04-07T17:48:45Z)

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。