論文の概要: SciML in the Wild: A Diagnostic Study of When Structural Priors Help and When They Hurt

• arxiv url: http://arxiv.org/abs/2607.09684v1
• Date: Mon, 15 Jun 2026 01:53:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.365274
• Title: SciML in the Wild: A Diagnostic Study of When Structural Priors Help and When They Hurt
• Title（参考訳）: 野生におけるSciML: 構造的優先がいつ助けられるか, そしていつハントするかの診断的研究
• Abstract要約: ARIMA, LSTM, NODE, PINN, UDEの5つのモデルファミリーを, 少ない年次データ, 複数の時間分割, 5つのランダムシードを用いて評価した。 以上の結果から,評価モデルが常に強い予測性能を得られず,低周波マクロ経済予測の難しさを浮き彫りにしていることがわかった。 SciMLの実践者は、より多くの構造が有用であると仮定する前に、構造が役に立つかどうかをテストするべきだ、と論じている。
• 参考スコア（独自算出の注目度）: 4.108510562556002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific Machine Learning (SciML) methods such as Neural Ordinary Differential Equations (NODEs), Physics-Informed Neural Networks (PINNs), and Universal Differential Equations (UDEs) are most effective when structural priors reflect reliable governing dynamics. We ask what happens when this assumption is violated. Using macroeconomic forecasting as a stress-test domain, we evaluate five model families, ARIMA, LSTM, NODE, PINN, and UDE, across 23 countries using sparse annual data, multiple temporal splits, and five random seeds. Our results show that none of the evaluated models achieve consistently strong forecasting performance, highlighting the difficulty of low-frequency macroeconomic prediction. However, a clear relative hierarchy emerges: less-constrained models, particularly ARIMA and NODE, consistently outperform more-constrained heuristic-prior models such as PINN and UDE. Rather than treating this as a rejection of SciML, we interpret it as a diagnostic result: structural priors can act as misregularizers when they do not match the data-generating process. We identify failure modes including prior misalignment, regime shifts, structural breaks, and optimization instability, and argue that SciML practitioners should test whether structure helps before assuming that more structure is beneficial.
• Abstract（参考訳）: ニューラル正規微分方程式(NODE)、物理情報ニューラルネットワーク(PINN)、ユニバーサル微分方程式(UDE)といった科学機械学習(SciML)手法は、構造的事前が信頼できる支配力学を反映する場合に最も効果的である。 この仮定が破られたらどうなるか尋ねる。 ARIMA, LSTM, NODE, PINN, UDEの5つのモデルファミリーを, 少ない年次データ, 複数の時間分割, 5つのランダムシードを用いて, ストレステストドメインとしてマクロ経済予測を用いて評価した。 以上の結果から,評価モデルが常に強い予測性能を得られず,低周波マクロ経済予測の難しさを浮き彫りにしていることがわかった。 制約の少ないモデル、特に ARIMA や NODE は、PINN や UDE のようなより制約の厳しいヒューリスティック・プライアモデルよりも一貫して優れています。 我々はこれをSciMLの拒絶として扱うのではなく、診断結果として解釈する。 SciMLの実践者は、より多くの構造が有用であると仮定する前に、構造が役に立つかどうかをテストするべきだ、と論じている。

関連論文リスト

• PRIM: Meta-Learned Bayesian Root Cause Analysis [6.537088094470879]
  PRIM (Prior-fitted Root cause Identification with Meta-learning) は因果メタラーニング手法である。 PRIMは、ベースラインと異常周期の間のデータ生成機構の変化を暗黙的に識別する。 明示的な統計的テストなしで分布差を推測し、テスト時にモデルフィッティングなしで因果構造を暗黙的に学習する。
  論文  参考訳（メタデータ） (2026-05-09T08:14:09Z)
• Comparing Physics-Informed and Neural ODE Approaches for Modeling Nonlinear Biological Systems: A Case Study Based on the Morris-Lecar Model [0.0]
  本研究は,3つの標準分岐系におけるPINNとNODEの性能を系統的に評価する。 その結果, PINNは剛性や敏感な分岐を含むシナリオにおいて, 高い精度と堅牢性を達成する傾向が示唆された。
  論文  参考訳（メタデータ） (2026-03-27T18:53:53Z)
• Learning a Generative Meta-Model of LLM Activations [75.30161960337892]
  ネットワークの内部状態の分布を学習する"メタモデル"を作成します。 ステアリング介入前に学んだメタモデルを適用することで、損失が減少するにつれて、流速が向上する。 これらの結果は、生成的メタモデルが制限的な構造的仮定を伴わずに、解釈可能性へのスケーラブルな経路を提供することを示唆している。
  論文  参考訳（メタデータ） (2026-02-06T18:59:56Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Learning From Simulators: A Theory of Simulation-Grounded Learning [0.0]
  シミュレーション・グラウンドド・ニューラルネットワーク(SGNN)は、メカニカル・シミュレーションから完全に合成データに基づいて訓練された予測モデルである。 我々は、SGNNを統一的な統計フレームワークに配置する。標準的な損失関数の下では、シミュレータによって訓練されたベイズ予測器として解釈することができる。 SGNNは遅延パラメータを復元し、ミスマッチ下では頑健であり、古典的ツールよりも優れています。
  論文  参考訳（メタデータ） (2025-09-23T13:39:11Z)
• Can LLMs Assist Expert Elicitation for Probabilistic Causal Modeling? [0.0]
  本研究では,構造化因果知識を抽出するための人間専門家の勧誘の代替として,Large Language Models (LLMs) の可能性について検討する。 LLMは因果構造、特にベイズネットワーク(BN)を生成し、従来の統計手法と比較した。 LLMが生成したBNは、専門家によって導かれ統計的に生成されたBNよりも低いエントロピーを示し、予測の信頼性と精度が示唆された。
  論文  参考訳（メタデータ） (2025-04-14T16:45:52Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Designing Accurate Emulators for Scientific Processes using Calibration-Driven Deep Models [33.935755695805724]
  Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。 また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。 LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
  論文  参考訳（メタデータ） (2020-05-05T16:54:11Z)

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。