Fugu-MT 論文翻訳(概要): VERaiPHY -- Validation & Evaluation for Robust AI in PHYsics

論文の概要: VERaiPHY -- Validation & Evaluation for Robust AI in PHYsics

arxiv url: http://arxiv.org/abs/2608.17724v1
Date: Tue, 18 Aug 2026 12:47:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-19 21:40:53.338826
Title: VERaiPHY -- Validation & Evaluation for Robust AI in PHYsics
Title（参考訳）: VERaiPHY -- 物理学におけるロバストAIの検証と評価
Abstract要約: VERaiPHYイニシアチブは、機械学習技術の開発、評価、展開のための統計的標準を確立することを目的としている。本稿は、後のコントリビューションが想定する確率的、統計的、および機械学習の基礎と、それを通じて使われる表記を定めている。
参考スコア（独自算出の注目度）: 0.5437050212139087
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern machine learning is leading to substantial gains in precision, flexibility, and computational efficiency in fundamental physics. Statistical validation, uncertainty quantification, and robustness assessment are less systematically addressed. The VERaiPHY initiative (Validation & Evaluation for Robust AI in PHYsics) is a series of articles developed within the PHYSTAT programme, aimed at establishing statistical standards for the development, evaluation, and deployment of ML techniques. Each article focuses on a specific methodological domain from a statistics perspective and clarifies statistical questions, tests, and the interpretation of results. This opening article establishes the probabilistic, statistical, and machine learning foundations that the later contributions assume, together with the notation used throughout.
Abstract（参考訳）: 現代の機械学習は、基礎物理学における精度、柔軟性、計算効率の大幅な向上につながっている。統計的検証、不確実性定量化、ロバストネス評価は体系的には対処されていない。 VERaiPHYイニシアティブ(Validation & Evaluation for Robust AI in PHYsics)は、ML技術の開発、評価、展開のための統計基準を確立することを目的とした、PHYSTATプログラム内で開発された一連の記事である。各論文は統計学的観点から特定の方法論的領域に焦点を当て、統計的問題、テスト、結果の解釈を明らかにする。このオープニングアーティクルは、後のコントリビューションが想定する確率的、統計的、および機械学習の基礎と、それを通じて使われる表記を定めている。

関連論文リスト

STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
論文参考訳（メタデータ） (2026-02-12T16:30:07Z)
Mechanistic Interpretability as Statistical Estimation: A Variance Analysis of EAP-IG [10.620784202716404]
我々は,回路探索などの解釈可能性の手法を統計的推定器とみなすべきであると論じている。本稿では,最先端回路探索手法であるEAP-IGの系統的安定性解析を行う。
論文参考訳（メタデータ） (2025-10-01T12:55:34Z)
AICO: Feature Significance Tests for Supervised Learning [0.9474649136535703]
AICOは、トレーニングされた回帰モデルや分類モデルに対して、各機能がモデルのパフォーマンスを真に改善するかどうかを問う。機能の情報を隠蔽し、結果として生じるパフォーマンスの変化を測定することで実現します。 AICOは、モデルの振る舞いを駆動する変数を一貫して特定する。
論文参考訳（メタデータ） (2025-06-29T21:15:40Z)
Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文参考訳（メタデータ） (2025-02-17T18:04:39Z)
Causal Inference Tools for a Better Evaluation of Machine Learning [0.0]
本稿では、通常最小方形回帰(OLS)、可変解析(ANOVA)、ロジスティック回帰(ロジスティック回帰)などの重要な統計手法を紹介する。この文書は研究者や実践者のガイドとして機能し、これらのテクニックがモデル行動、パフォーマンス、公平性に対する深い洞察を提供する方法について詳述している。
論文参考訳（メタデータ） (2024-10-02T10:03:29Z)
Online Estimation and Inference for Robust Policy Evaluation in Reinforcement Learning [7.2093350724877965]
強化学習は、現代の統計的学習において注目を集める重要なトピックの1つとして現れてきた。本研究は,強化学習アルゴリズムのモデルパラメータと値関数の統計的推測を強調する。
論文参考訳（メタデータ） (2023-10-04T04:57:35Z)
Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
論文参考訳（メタデータ） (2023-06-18T09:54:33Z)
Deep Feature Statistics Mapping for Generalized Screen Content Image Quality Assessment [60.88265569998563]
我々は,SCIの質を効果的に決定できる指標に基づいて,SCIの統計を学習するための最初の試みを行う。統計的偏差が品質評価に有効に活用できることを実証的に示す。
論文参考訳（メタデータ） (2022-09-12T15:26:13Z)
Differential privacy and robust statistics in high dimensions [49.50869296871643]
高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
論文参考訳（メタデータ） (2021-11-12T06:36:40Z)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)
Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文参考訳（メタデータ） (2020-08-14T16:48:29Z)
Targeting Learning: Robust Statistics for Reproducible Research [1.1455937444848387]
ターゲティング・ラーニング(Targeted Learning)は、因果推論、機械学習、統計理論の進歩を統一して、科学的に影響のある質問に統計的信頼性で答えるのに役立つ統計分野である。ターゲット学習のロードマップは、仮説を最小化し、利用可能な科学的知識にのみ注意深く根ざすように、統計的手続きを調整することを強調する。
論文参考訳（メタデータ） (2020-06-12T17:17:01Z)

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。