論文の概要: Unknown Unknowns: Model Misspecification in Machine Learning for Physics
- arxiv url: http://arxiv.org/abs/2608.13633v1
- Date: Thu, 13 Aug 2026 15:08:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.174177
- Title: Unknown Unknowns: Model Misspecification in Machine Learning for Physics
- Title（参考訳）: 未知の未知:物理のための機械学習におけるモデルミス種別
- Abstract要約: 物理学において、不特定性は、まさに私たちが見つけたいものである。
機械学習は、誤特定を増幅し、それに対応するための新しいツールを提供する。
モデルが正しく指定されていることを、単一の診断で確認することはできない。
- 参考スコア（独自算出の注目度）: 39.355544255547564
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning is now a central tool for solving inverse problems in particle physics and astronomy. Models are trained on simulation and deployed on real data, raising the question not just of whether they fit, but of whether they are wrong in ways we did not anticipate: the unknown unknowns. This challenge of model misspecification is not unique to machine learning. In physics, misspecification is sometimes exactly what we want to find: new discoveries appear as failures of existing models. At other times, we want such effects absorbed into the analysis without biasing the measurement. A robust analysis is one that absorbs the misspecifications we are not interested in, while preserving sensitivity to the ones we are. Machine learning can both amplify misspecification and provide new tools to address it. We discuss the challenges of model misspecification, diagnostics for detecting it, and strategies for mitigation. No single diagnostic can confirm that a model is correctly specified: detection and mitigation are two halves of an iterative loop, in which a battery of complementary diagnostics is applied, the model is updated, and the process repeated. Robustness against unknown unknowns is ultimately less about any single technique than about a disposition: a willingness to suspect one's own model, and to design analyses that can survive being wrong in ways one did not anticipate.
- Abstract（参考訳）: 機械学習は現在では、粒子物理学や天文学における逆問題を解決するための中心的なツールとなっている。
モデルはシミュレーションに基づいてトレーニングされ、実際のデータにデプロイされる。
モデルミスセグメンテーションのこの課題は、機械学習に特有のものではない。
物理学では、誤特定はまさに私たちが求めているものである:新しい発見は既存のモデルの失敗として現れる。
別の場合、そのような効果を測定値のバイアスを伴わずに分析に吸収したいと思っています。
頑健な分析は、私たちが興味を持っていない不特定性を吸収し、それに対する感受性を保ちます。
機械学習は、誤特定を増幅し、それに対応するための新しいツールを提供する。
本稿では,モデル誤特定の課題,検出のための診断,緩和戦略について論じる。
検出と緩和は反復ループの2つのハーフであり、補完的な診断のバッテリが適用され、モデルが更新され、プロセスが繰り返される。
未知の未知に対するロバスト性は、究極的には、自分のモデルを疑う意志や、予想しなかった方法で間違ったまま生き残ることができる分析を設計することという、処分よりも単一の技術についてよりも少ない。
関連論文リスト
- Instrumented data for causal scientific machine learning [0.0]
センサ・オブザーバが、明示的で、編集可能なパラメータと、伝播するアレタリック/エピステミック不確実性を備えた、完全に特定された、解決者支援のシミュレーションになることを示す。
検証、監査、代理訓練の短期的な効果は、計算生物学、気候、材料、流体力学、医療画像に及んでいる。
長期的な、偽りやすい含意は、科学的推論の基礎モデルに関するものである。
論文 参考訳（メタデータ） (2026-06-05T21:53:39Z) - Aggregate Models, Not Explanations: Improving Feature Importance Estimation [29.82699646128964]
モデルレベルでのアンサンブルにより、より正確な変数重要度推定が得られることを示す。
これらの知見を古典的ベンチマークおよび英国バイオバンクの大規模プロテオミクスで検証した。
論文 参考訳（メタデータ） (2026-02-12T09:36:03Z) - Bayesian Model Parameter Learning in Linear Inverse Problems: Application in EEG Focal Source Imaging [49.1574468325115]
逆問題は、関心のシグナルを直接観測できない限定データ問題として記述することができる。
未知の非線形モデルパラメータを含む線形逆問題について検討した。
ベイズモデルに基づく学習手法を用いて,信号の回復とモデルパラメータの推定を行った。
論文 参考訳（メタデータ） (2025-01-07T18:14:24Z) - DEMAU: Decompose, Explore, Model and Analyse Uncertainties [0.8287206589886881]
DEMAUはオープンソースの教育、探索、分析ツールで、機械学習における分類モデルのいくつかのタイプの不確実性を視覚化し、探索することができる。
論文 参考訳（メタデータ） (2024-09-12T14:57:28Z) - R-Tuning: Instructing Large Language Models to Say `I Don't Know' [66.11375475253007]
大きな言語モデル(LLM)は、優れたパフォーマンスで多くのドメインに革命をもたらしたが、それでもその課題に直面している。
事前の指導チューニング方法は、モデルが知識を知っているかどうかに関わらず、モデルに文章を完成させるよう強制する。
我々はRefusal-Aware Instruction Tuning (R-Tuning)と呼ばれる新しいアプローチを提案する。
実験の結果、R-Tuningは、既知の質問に答えたり、未知の質問に答えるのを控えるモデルの能力を効果的に改善することを示した。
論文 参考訳（メタデータ） (2023-11-16T08:45:44Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳（メタデータ） (2022-10-11T10:20:31Z) - Beyond Trivial Counterfactual Explanations with Diverse Valuable
Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。
本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。
このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文 参考訳（メタデータ） (2021-03-18T12:57:34Z) - Debugging Tests for Model Explanations [18.073554618753395]
テストされたメソッドは、急激なバックグラウンドバグを診断することができるが、誤ってラベル付けされたトレーニング例を決定的に識別することはできない。
被験者は属性を用いて欠陥モデルを特定するのに失敗するが、主にモデル予測に頼っている。
論文 参考訳（メタデータ） (2020-11-10T22:23:25Z) - A Note on High-Probability versus In-Expectation Guarantees of
Generalization Bounds in Machine Learning [95.48744259567837]
統計的機械学習理論は、しばしば機械学習モデルの一般化を保証するよう試みる。
機械学習モデルのパフォーマンスに関する声明は、サンプリングプロセスを考慮する必要がある。
1つのステートメントを別のステートメントに変換する方法を示します。
論文 参考訳（メタデータ） (2020-10-06T09:41:35Z) - Bayesian Hidden Physics Models: Uncertainty Quantification for Discovery
of Nonlinear Partial Differential Operators from Data [0.0]
データから微分方程式のような物理法則を発見するために機械学習モデルを使うことへの関心が高まっている。
ニューラルネットワークとして機能データを管理することを学習する「リーフモジュール」からなる新しいモデルを提案する。
提案手法は,演算子に対する後続分布の観点から学習物理の信頼性を定量化し,この不確実性を新しい初期有界値問題インスタンスの解に伝達する。
論文 参考訳（メタデータ） (2020-06-07T18:48:43Z)
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。