論文の概要: Out-of-distribution Neural Inference in Dynamical Ising Models

• arxiv url: http://arxiv.org/abs/2607.03039v1
• Date: Fri, 03 Jul 2026 07:31:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.502213
• Title: Out-of-distribution Neural Inference in Dynamical Ising Models
• Title（参考訳）: 動的イジングモデルにおける分布外ニューラル推論
• Abstract要約: データ駆動型トレーニングは、トポロジと温度変化の下で異なる統計戦略を生成することを示す。 高い分布精度と明らかな分布外分布は、必ずしも学習された動的構造規則を暗示するとは限らない。 本結果は,物理逆問題における標準データ駆動学習の具体的な障害モードを同定する。
• 参考スコア（独自算出の注目度）: 0.30586855806896035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks are increasingly used to infer hidden physical structure from dynamical observations, yet it remains unclear whether their out-of-distribution performance reflects transferable physical rule learning. We address this question in a controlled inverse problem: reconstructing interaction graphs of a kinetic Ising model from Glauber magnetization trajectories. Across convolutional, graph, Transformer, and hybrid architectures, we find that data-driven training produces distinct and reproducible statistical strategies under topology and temperature shifts. Edge-population diagnostics reveal that Transformer-based models tend to preserve the link density of the training ensemble, whereas convolutional models can collapse toward sparse- or no-link predictions that appear out-of-distribution stable by exploiting the majority no-link class. Thus, high in-distribution accuracy and apparent out-of-distribution robustness do not necessarily imply a learned dynamics-to-structure rule. Instead, neural reconstruction can be governed by architecture-dependent statistical priors. Our results identify a concrete failure mode of standard data-driven learning in physical inverse problems and motivate rule-guided principles for machine-learning-assisted scientific discovery.
• Abstract（参考訳）: ニューラルネットワークは、ダイナミックな観測から隠れた物理構造を推測するためにますます使われているが、その分布外性能が伝達可能な物理規則学習を反映しているかどうかは不明である。 我々は、グラウバー磁化軌道から運動的イジングモデルの相互作用グラフを再構成する、制御された逆問題でこの問題に対処する。 畳み込み, グラフ, トランスフォーマー, ハイブリッドアーキテクチャでは, トポロジと温度変化の下で, データ駆動型トレーニングが明瞭で再現可能な統計戦略を生成する。 エッジ人口診断では、トランスフォーマーベースのモデルはトレーニングアンサンブルのリンク密度を保ちがちであるが、畳み込みモデルは、大多数のno-linkクラスを利用することで、分布外に見えるスパースまたはno-link予測に向かって崩壊する可能性がある。 したがって、高い分布精度と明らかな分布外ロバスト性は、必ずしも学習された動的構造規則を暗示するとは限らない。 代わりに、神経再構成は、アーキテクチャに依存した統計的先行によって制御される。 本研究は、物理逆問題における標準データ駆動学習の具体的な失敗モードを特定し、機械学習支援科学発見のためのルール誘導原則を動機づけるものである。

関連論文リスト

• The Interplay of Data Structure and Imbalance in the Learning Dynamics of Diffusion Models [8.547042933482645]
  スコアベース拡散モデルにおけるクラス依存学習について検討する。 これらのダイナミクスを規定する明確な階層を明らかにします。 我々は、Fashion MNISTで訓練されたU-Netモデルを用いて、理論的予測を実証的に検証する。
  論文  参考訳（メタデータ） (2026-05-07T14:44:53Z)
• Transformer Is Inherently a Causal Learner [27.79148022495734]
  自己回帰的に訓練されたトランスフォーマーは,時間遅れの因果構造を自然に符号化することを示す。 この関係を理論的に標準的な識別可能性条件下で証明する。 このアプローチは最先端の発見アルゴリズムの性能を大幅に上回る。
  論文  参考訳（メタデータ） (2026-01-09T09:10:04Z)
• Spatially-informed transformers: Injecting geostatistical covariance biases into self-attention for spatio-temporal forecasting [0.0]
  本稿では,学習可能なコスタティクスカーネルを介して,地理的帰納バイアスを直接自己保持機構に注入するハイブリッドアーキテクチャを提案する。 本稿では,ネットワークがバックプロパゲーションによって下位プロセスの真の空間パラメータを復元する「Deep Variography'」現象を実証する。
  論文  参考訳（メタデータ） (2025-12-19T15:32:24Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Towards agent-based-model informed neural networks [0.5787117733071417]
  エージェントベースモデルの基本原理と整合したニューラルネットワークを設計するためのフレームワークを提案する。 複雑さの増加に関する3つのケーススタディにまたがって、このフレームワークを検証する。
  論文  参考訳（メタデータ） (2025-12-05T14:50:50Z)
• Optimal Linear Baseline Models for Scientific Machine Learning [37.69303106863453]
  我々は線形エンコーダ・デコーダアーキテクチャを解析するための統一的理論フレームワークを開発した。 我々は、フォワードモデリングと逆リカバリタスクのための閉形式、階数制約付き線形最適写像を導出する。 この研究は、科学的機械学習問題に対する学習ニューラルネットワークモデルの理解とベンチマークのための堅牢なベースラインを提供する。
  論文  参考訳（メタデータ） (2025-08-07T20:17:07Z)
• The Edge-of-Reach Problem in Offline Model-Based Reinforcement Learning [31.8260779160424]
  学習力学モデルの改善に伴い,一般的なアルゴリズムがどのように機能するかを検討する。 エッジ・オブ・リーチ問題に直接対処する単純で堅牢な手法であるReach-Aware Learning (RAVL)を提案する。
  論文  参考訳（メタデータ） (2024-02-19T20:38:00Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Prequential MDL for Causal Structure Learning with Neural Networks [9.669269791955012]
  ベイジアンネットワークの実用的スコアリング関数を導出するために,事前最小記述長の原理が利用できることを示す。 我々は、調整しなければならない事前やその他の正規化子を誘導するスパーシリティに頼ることなく、可塑性および擬似グラフ構造を得る。 本研究は, 適応速度から因果構造を推定する最近の研究と, 分布変化の源泉から観測結果が得られた場合の因果構造との関係について考察する。
  論文  参考訳（メタデータ） (2021-07-02T22:35:21Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。