論文の概要: Bridging the Gap Between Plausibility and Admissibility: Constraint-Aware Flow Maps for Dynamic Graph Systems
- arxiv url: http://arxiv.org/abs/2607.21421v1
- Date: Thu, 23 Jul 2026 15:25:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.454658
- Title: Bridging the Gap Between Plausibility and Admissibility: Constraint-Aware Flow Maps for Dynamic Graph Systems
- Title（参考訳）: 可視性と許容性の間のギャップを埋める:動的グラフシステムのための制約対応フローマップ
- Abstract要約: 生成モデルは、確実な将来のシステム軌跡のアンサンブルを生成することによって、不確実な意思決定を支援することができる。
本研究では,ポストサンプリングのシンボル制約が生成軌道モデリングの信頼性を向上させるかどうかを検討する。
- 参考スコア（独自算出の注目度）: 2.7644691581661287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models can support decision-making under uncertainty by producing ensembles of plausible future system trajectories, but statistical plausibility does not ensure structural feasibility. This study investigates whether post-sampling symbolic constraints can improve the reliability of generative trajectory modeling in dynamic graph-structured systems. A conditional diffusion model generates future graph-state trajectories from partial observations, while an external symbolic layer applies hard filtering, soft weighting, or projection-based repair. The framework is evaluated on two controlled synthetic regimes: a compact graph and a medium-complexity dependency graph, using metrics for structural validity, sample efficiency, diversity, robustness, and calibration. In the compact regime, the model produces an invalid probability mass of 0.002996, indicating an almost entirely admissible trajectory manifold. Under the same architecture and training protocol, invalid mass increases to 0.155929 in the medium-complexity regime. Hard filtering removes all invalid retained trajectories while preserving 84.4% of generated samples, whereas soft weighting preserves effective sample size but yields only limited validity gains. Family-level analysis shows that dependency constraints account for nearly all observed inadmissibility. These results indicate that statistical plausibility and structural admissibility are distinct reliability properties and that symbolic constraint handling becomes more valuable as graph-structural complexity increases.
- Abstract（参考訳）: 生成モデルは、予測可能な将来のシステムトラジェクトリのアンサンブルを生成することによって、不確実な意思決定を支援することができるが、統計的妥当性は構造的実現性を保証するものではない。
本研究は,動的グラフ構造系における生成軌道モデリングの信頼性を,ポストサンプリングのシンボル制約が向上するかどうかを考察する。
条件拡散モデルは、部分的な観測から将来のグラフ状態軌跡を生成する一方、外部のシンボル層はハードフィルタリング、軟重み付け、投射ベースの修復を行う。
このフレームワークは, 構造的妥当性, 試料効率, 多様性, 堅牢性, キャリブレーションの指標を用いて, コンパクトグラフと中複雑依存性グラフの2つの制御された合成条件で評価される。
コンパクトな状態において、モデルは0.002996の任意の確率質量を生成し、ほぼ完全に許容可能な軌道多様体を示す。
同じアーキテクチャとトレーニングプロトコルの下では、中複雑系では無効質量は0.155929に増加する。
ハードフィルターは、生成したサンプルの84.4%を保存しながら、全ての不活性な残留軌跡を除去するが、ソフト重み付けは有効なサンプルサイズを保っているが、有効性は限られている。
家族レベルの分析は、依存関係の制約がほとんどすべての観察された不適応の原因であることを示している。
これらの結果は、統計的妥当性と構造的許容性は異なる信頼性特性であり、グラフ構造複雑性が増大するにつれて、シンボリック制約処理がより貴重になることを示している。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Improving Machine Learning Performance with Synthetic Augmentation [0.0]
我々は、効果的なトレーニング分布の修正として、合成増強を形式化する。
追加のサンプルは推定誤差を減少させるが、人口目標をシフトさせることもできる。
合成増強は分散支配体制においてのみ有用であることを示す。
希少な登録ターゲティングは、ドメイン固有のメトリクスを改善することができるが、無条件の置換推論と矛盾する可能性がある。
論文 参考訳（メタデータ） (2026-04-16T00:23:01Z) - From Garbage to Gold: A Data-Architectural Theory of Predictive Robustness [0.3277163122167433]
本研究では,高次元誤差確率予測器が2種類のノイズを克服することを示す。
本稿では,ロバストネスを効率的に実現する予測器を識別する「プロアクティブデータ中心型AI」を提案する。
データ品質をアイテムレベルの完全性からポートフォリオレベルのアーキテクチャに再定義することで、“ローカル要因”の理論的理論的根拠を提供する。
論文 参考訳（メタデータ） (2026-03-08T18:58:33Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - When and how can inexact generative models still sample from the data manifold? [2.4664553878979185]
スコア関数やドリフトベクトル場における学習誤差にもかかわらず、生成されたサンプルはデータ分布の支持を強調させるが、それから強調しないように見える。
我々は、上のリャプノフベクトルとデータ多様体の境界に沿った接空間とのアライメントがロバスト性をもたらすことを示す。
論文 参考訳（メタデータ） (2025-08-11T03:24:34Z) - On the Stability of Graph Convolutional Neural Networks: A Probabilistic Perspective [21.0483487978294]
グラフトポロジにおける摂動がGCNN出力に与える影響について検討し,モデル安定性解析のための新しい定式化を提案する。
最悪の場合の摂動のみに焦点を当てた従来の研究とは異なり、分布認識の定式化は幅広い入力データにまたがる出力摂動を特徴付ける。
論文 参考訳（メタデータ） (2025-06-01T23:17:19Z) - Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。
本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-05T09:16:56Z) - Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。
エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。
我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文 参考訳（メタデータ） (2022-01-25T06:23:10Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Identification of Latent Variables From Graphical Model Residuals [0.0]
本稿では,推定モデルの残差から遅延空間のプロキシを反復的に導出することにより,DAGを推定する際に潜伏空間を制御する新しい手法を提案する。
結果の予測の改善は本質的にカプセル化されており,既成モデルと比較して一定の限界を超えないことを示す。
論文 参考訳（メタデータ） (2021-01-07T02:28:49Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳（メタデータ） (2020-08-07T08:22:26Z)
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。