論文の概要: Physics-Informed Machine Learning Under Small-Data Constraints: Lessons from Abrasive Waterjet Milling

• arxiv url: http://arxiv.org/abs/2607.07863v1
• Date: Wed, 08 Jul 2026 18:54:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.323957
• Title: Physics-Informed Machine Learning Under Small-Data Constraints: Lessons from Abrasive Waterjet Milling
• Title（参考訳）: 小データ制約下での物理インフォームド機械学習--水ジェットミリングの教訓-
• Abstract要約: 物理的に支配的な加工プロセスでは、実験データセットは小さく、高価で、材料固有のものである。 水ジェットミリングデータセットを用いて3つの方法論的貢献を行う。 小規模で高価なプロセスデータセットでは、この設定では、明示的なキュレーション仮説による信頼性の高いモデル比較が有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.16283634001181238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In physically dominated machining processes, experimental datasets are small, expensive, and material-specific; in this regime, data curation, evaluation design, and the form of physics integration can matter as much as the learning algorithm. Using an abrasive waterjet milling dataset ($n{=}155$, Inconel\,718), we make three methodological contributions. First, we separate physics-based data \emph{cleaning} from statistical \emph{curation} and treat the latter as competing modelling hypotheses rather than silent preprocessing. Second, we find that model rankings from a 15-point hold-out set can be unstable: the single-split winner drops from rank~1 to rank~7 under 10-fold cross-validation, while Gaussian Process (GP) variants occupy the top ranks. Third, we study a spectrum of physics integration levels and find that residual learning on a compact physics baseline is competitive for GP, yielding lower variance and an interpretable decomposition, but degrades tree-based models. Bayesian hyper parameter tuning improves parameter-sensitive baselines such as gradient boosting and SVR, yet harms multi-stage hybrid pipelines at this sample size. GP uncertainty intervals are approximately calibrated ($86\%$ empirical coverage at nominal $90\%$). The resulting picture is methodological: for small, expensive process datasets, our results suggest that, in this setting, reliable model comparison benefits from explicit curation hypotheses, robust evaluation, and careful choices about how physics enters the model.
• Abstract（参考訳）: 物理的に支配される加工プロセスでは、実験データセットは小さく、高価で、物質固有のものであり、この体制では、データキュレーション、評価設計、物理統合の形式は学習アルゴリズムと同じくらい重要である。 水ジェットミリングデータセット(n{=}155$, Inconel\,718)を用いて3つの方法論的貢献を行う。 まず、物理に基づくデータ \emph{cleaning} と統計 \emph{curation} を分離し、後者をサイレント前処理ではなく競合する仮説として扱う。 第2に、15点のホールトアウトセットからのモデルランキングは不安定になり得る: シングルスプリットの勝者は10倍のクロスバリデーションでランク~1からランク~7に低下し、ガウス過程(GP)の変種がトップランクを占める。 第三に、物理積分のスペクトルを研究し、コンパクトな物理基底線上での残差学習がGPと競合し、低い分散と解釈可能な分解をもたらすが、木に基づくモデルを劣化させる。 ベイジアンハイパーパラメータチューニングは、勾配押し上げやSVRのようなパラメータ感受性のベースラインを改善するが、このサンプルサイズではマルチステージハイブリッドパイプラインにダメージを与える。 GPの不確実性間隔は、およそ (86\%$experiical coverage at named $ 90\%$) に校正される。 結果として得られた画像は方法論的であり、小規模で高価なプロセスデータセットに対しては、この設定では、明示的なキュレーション仮説、堅牢な評価、物理がモデルに入る方法に関する慎重な選択による信頼性の高いモデル比較の利点が示唆される。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Scalable Learning of Multivariate Distributions via Coresets [48.02318786960811]
  我々は,多変量条件変換モデル(MCTM)のための新しいコアセットの構築を行い,そのスケーラビリティと訓練効率を向上させる。 提案手法は,重要サンプリングによる大幅なデータ削減を実現する。 これまでコアセットが組み込まれてきた従来のフルパラメトリックモデルと比較して,我々の半パラメトリックアプローチは適応性の向上を示す。
  論文  参考訳（メタデータ） (2026-03-20T09:28:43Z)
• Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice [109.9635246405237]
  データ品質に関する実験結果が、ハイパーパラメータのトレーニングに微調整を加えることで、反転できることを示す。 評価プロトコルに簡単なパッチを導入し、プロキシモデルのトレーニングに学習率を削減した。 実験により,データキュレーションの4つの重要な次元をカバーする23種類のデータレシピに対して,このアプローチを検証した。
  論文  参考訳（メタデータ） (2025-12-30T23:02:44Z)
• Parameter-Efficient Conditioning for Material Generalization in Graph-Based Simulators [2.504298819189614]
  グラフネットワークベースのシミュレータ(GNS)は、粒子ベースの物理学を学ぶ強力な可能性を示している。 既存のモデルは通常、単一の素材タイプのために訓練され、異なる振る舞いを一般化することができない。 本稿では,GNSモデルを材料パラメータに適応させるパラメータ効率条件付け機構を提案する。
  論文  参考訳（メタデータ） (2025-11-07T17:55:35Z)
• Uncertainty-Aware Diagnostics for Physics-Informed Machine Learning [7.677300807530908]
  物理インフォームド機械学習(PIML)は、しばしば微分方程式制約の形で、物理データにモデルを適合させるプロセスに統合する。 PIMLモデルの品質を測定するため,PILEスコア(Physical-Informed Log Evidence)を導入する。 PILEは、カーネル帯域幅、最小二乗正規化重み、カーネル関数の選択など、様々なモデルパラメータに対して優れた選択を得られることを示す。
  論文  参考訳（メタデータ） (2025-10-30T04:05:49Z)
• Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
  多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。 これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。 非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T13:23:27Z)
• Estimating properties of a homogeneous bounded soil using machine learning models [0.0]
  本研究は, 水分測定から土壌特性を推定することに焦点を当てた。 本研究では, 垂直浸透を規定する初期境界値問題を, 均質で有界な土壌プロファイルで解くことによって生成したシミュレーションデータについて考察する。 2出力回帰タスクとして定式化されるパラメータ識別問題に対処するため,様々な機械学習モデルについて検討する。
  論文  参考訳（メタデータ） (2025-06-02T07:25:03Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• M-DEW: Extending Dynamic Ensemble Weighting to Handle Missing Values [2.8861431208787525]
  我々は、不足データを用いて下流予測を行うための新しいAutoML技術を開発した。 M-DEWは18実験中17実験において、モデルパープレキシティの統計的に有意な減少を生じるという、最先端技術よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2024-04-30T20:13:18Z)
• Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation [0.6384650391969042]
  p$3$VAEは、データ取得条件に関連する変動の潜在要因に関する事前の物理的知識を統合する変分自動エンコーダである。 本稿では,機械学習部と物理部のバランスをとる半教師付き学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T09:32:15Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Addressing Class-Imbalance Problem in Personalized Ranking [47.11372043636176]
  ペアランク付けモデルのクラスバランス問題を緩和するために,効率的なエンファンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アンダーライン アン VINSは、与えられた正の項目よりも大きい負の候補を受け入れる傾向にある確率を拒絶するバイアスサンプリングである。
  論文  参考訳（メタデータ） (2020-05-19T08:11:26Z)

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。