論文の概要: SEAM: Global consistency beyond local accuracy in scientific machine learning

• arxiv url: http://arxiv.org/abs/2608.05702v1
• Date: Thu, 06 Aug 2026 07:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.843825
• Title: SEAM: Global consistency beyond local accuracy in scientific machine learning
• Title（参考訳）: SEAM: 科学的機械学習における局所的精度を超えたグローバルな一貫性
• Abstract要約: 我々は,地域,センサ,レジーム,モデルコンポーネント間で局所的な一貫性を問うことができるジェネレータに依存しないフレームワークであるScientific Explanation-Admissibility Machines (SEAM)を紹介した。 SEAMは、ローカルな予測が正確であっても互換性のない説明を検出し、特定のチャネルとオーバーラップに対する属性の失敗を検知する。 既存の問題解決者や学習モデルにグローバルな説明整合性監査を追加し、それらのローカルな説明が一貫性のある科学的説明を形成するかどうかをテストする。
• 参考スコア（独自算出の注目度）: 3.1861308132183375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific machine learning commonly validates models at the level of a subdomain, a benchmark split, or an explanation for one prediction. Yet such local checks cannot establish whether the resulting explanations can be assembled into one globally admissible explanation. We introduce Scientific Explanation-Admissibility Machines (SEAM), a generator-agnostic framework that makes this local-to-global consistency question computable across regions, sensors, regimes, and model components. The finite explanation-sheaf instantiation SEAM-$Ω$ represents each region by a structured explanation with state, closure, and observation channels together with optional contract metadata; compares neighboring explanations on their overlaps; and converts disagreement into a channel-resolved obstruction. This obstruction locates inconsistency and tests competing declared accounts by restricting each repair to the revisions that one account permits. Exact feasibility refutes or retains an account; when exact repair is unavailable, residual-aware regularized records provide a separately labeled empirical attribution. The framework also separates inconsistency from non-identifiability and monitors learned generators under distribution shift. We establish theorems for minimum-cost intervention and conservation-contract detectability, together with companion results for identifiability and closure recoverability. Across nineteen experiments involving synthetic partial differential equation systems and out-of-distribution Fourier neural operator (FNO) monitoring, SEAM detects incompatible explanations even when local predictions are accurate, and attributes failures to specific channels and overlaps. SEAM adds a global explanation-consistency audit to existing solvers and learning models, testing whether their local explanations form a coherent scientific account.
• Abstract（参考訳）: 科学機械学習は、サブドメイン、ベンチマークスプリット、または1つの予測のための説明のレベルでモデルを検証するのが一般的である。 しかし、このような局所的なチェックは、得られた説明がグローバルに許容できる1つの説明に組み立てられるかどうかを確定することができない。 我々は,この局所的・言語的一貫性を地域,センサ,レジーム,モデルコンポーネント間で計算可能にする,ジェネレータに依存しないフレームワークであるScientific Explanation-Admissibility Machines (SEAM)を紹介した。 有限説明棚インスタンスSEAM-$Ω$は、状態、クロージャ、観察チャネルと任意の契約メタデータとの構造化された説明によって各領域を表現し、それらの重複に関する隣り合う説明を比較し、不一致をチャンネル解決の障害に変換する。 この障害は、1つのアカウントが許可する修正に各修正を制限することで、宣言されたアカウントと競合する一貫性とテストを見つける。 正確な修理が不可能な場合、残留認識された正規化された記録は、個別にラベル付けされた経験的属性を提供する。 このフレームワークはまた、非識別性から不整合を分離し、分散シフトの下で学習したジェネレータを監視する。 我々は,最小コストの介入と保全・契約検出性に対する定理と,識別可能性とクロージャ回復性に関する相補的な結果を確立する。 合成偏微分方程式システムとFNO(out-of-distriion Fourier Neural operator)モニタリングを含む19の実験で、SEAMは局所的な予測が正確であっても互換性のない説明を検知し、特定のチャネルやオーバーラップに対する属性障害を検知する。 SEAMは、既存の問題解決者や学習モデルにグローバルな説明整合性監査を追加し、それらのローカルな説明が一貫性のある科学的説明を形成するかどうかをテストする。

関連論文リスト

• Common-Witness Certificates and Sharp Feature Bounds for Counterfactual Image Auditing [0.0]
  画像エディタは、単一の潜伏説明が完全な出力に合わない場合でも、各可視性制約を別々に満たすことができる。 我々は,この局所的・言語的失敗を,共通の目撃者格と目撃者の神経を用いて定式化する。
  論文  参考訳（メタデータ） (2026-09-03T15:09:52Z)
• GAUGE: Granularity-Adaptive Counterfactual Gating of Evidence for Incomplete Multimodal Classification [17.595478415811687]
  マルチモーダル分類は通常、すべてのモダリティが利用可能であると仮定するが、実世界の入力はしばしば不完全である。 不完全なマルチモーダル分類のための軽量な逆ファクトゲーティングフレームワークであるGAUGEを提案する。 GAUGEは、予測を意識したTaylorのエビデンススコアを通じて、すべてのユニットを参照表現に置き換える反ファクト効果をスコアする。
  論文  参考訳（メタデータ） (2026-08-06T05:07:14Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Spectral Audit of In-Context Operator Networks [11.073238833758564]
  本稿では,文脈内演算子学習のためのヤコビアンベースのスペクトル監査手法を提案する。 この結果から,予測精度と局所演算子の忠実度は学習したニューラル演算子の異なる特性であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-01T16:04:21Z)
• When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection [56.362776482614976]
  本研究では,学習した視覚概念に対する制約を論理規則として与える環境での異常検出について検討する。 本稿では,各制約を有向非巡回グラフにコンパイルし,特徴認識サブツリーゲートを学習するニューラルルール評価器を提案する。 CLEVRER、OpenImages、VidOR全体で、結果として得られる評価は、独立イベントと同一イメージのセマンティックトレーニングベースラインよりもルールレベルのAUROCを改善する。
  論文  参考訳（メタデータ） (2026-05-25T02:52:36Z)
• Auditable Climate Risk Intelligence from Fragmented ESG Data: Deterministic Orchestration and Imbalance-Aware Learning for Scope 1-3 Validation [0.0]
  ESGと気候リスクデータは、異質のスコープ1、スコープ2、スコープ3の報告環境で断片化されている。 本稿では, 真理オーケストレーション, 時間的異常検出, 不均衡を考慮したアンサンブル学習, 説明可能性指向ガバナンスを統合した決定論的気候リスクインテリジェンスフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-23T13:33:00Z)
• LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition [55.572260012037084]
  本稿では, LC-ERD (Logic-Consistent Endogenous Reward Decomposition) を紹介する。 モデルの潜在論理エキスパートズ(Latent Logic Expertise)からのコンセンサスを集約することで、変分論理ポテンシャルを導出する。 LC-ERDは、論理の一貫性と正確性の間のトレードオフを明らかにする、堅牢な自己進化パスを提供する。
  論文  参考訳（メタデータ） (2026-05-19T07:27:50Z)
• VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
  大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。 しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。 本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T14:09:35Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
  LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。 直腸型薬剤は、この体制では特に脆い。 本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
  論文  参考訳（メタデータ） (2026-01-25T17:27:19Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)

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。