論文の概要: Safe Domain Adaptation for Physics: Overcoming Nuisances, Label Shifts, and Simulation Priors

• arxiv url: http://arxiv.org/abs/2608.18190v1
• Date: Tue, 18 Aug 2026 11:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.175828
• Title: Safe Domain Adaptation for Physics: Overcoming Nuisances, Label Shifts, and Simulation Priors
• Title（参考訳）: 物理分野への安全な適応--核、ラベルシフト、シミュレーションの先駆けとして
• Abstract要約: 本研究では, 検知-応答ニュアンス, 物理シミュレーションシフト, エネルギー-スペクトルシフトを別々に切り替えることのできる, おもちゃのエアショワーベンチマークにおけるミスマッチの効果について検討した。 そこで本研究では,実際の物理ミスマッチのみにドメイン適応を集中させるために,シミュレーションイベントを重み付けする適応型ドメイン適応を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Domain adaptation is widely used to make neural networks trained on simulations applicable to experimental data. Its premise is that the two domains differ only in nuisances, and that the quantity of interest is distributed identically in both. In physics neither assumption holds: simulations can be wrong about the physics, and the distribution of the target quantity - an energy spectrum, a redshift distribution - is often the measurement itself. We study the consequences of such mismatches on a toy air-shower benchmark in which a detector-response nuisance, a physical simulation shift, and an energy-spectrum shift can be switched on separately or together. Standard adversarial adaptation handles the conditional shifts, but once the two spectra differ it aligns them, replacing an uncontrolled bias by one anchored on the simulation prior. We present adaptive domain adaptation, which reweights the simulated events so as to focus domain adaptation on the genuine physical mismatch alone. Since the predicted spectrum depends on model training configuration, we provide a label-free model selection rule for selecting the near-the-best operation point.
• Abstract（参考訳）: ドメイン適応は、実験データに適用可能なシミュレーションに基づいてトレーニングされたニューラルネットワークに広く使用される。 その前提は、両藩は内乱でのみ異なっており、双方で利害関係が均等に分配されていることである。 物理学では、シミュレーションは物理について誤りがあり、対象の量(エネルギースペクトル、赤方偏移分布)の分布は、しばしば測定そのものである。 本研究では, 検知-応答ニュアンス, 物理シミュレーションシフト, エネルギー-スペクトルシフトを別々に切り替えることのできる, おもちゃのエアショワーベンチマークにおいて, このようなミスマッチが与える影響について検討する。 標準逆順応は条件シフトを扱うが、2つのスペクトルが異なると整列し、以前のシミュレーションに固定された非制御バイアスを置き換える。 そこで本研究では,実際の物理ミスマッチのみにドメイン適応を集中させるために,シミュレーションイベントを重み付けする適応型ドメイン適応を提案する。 予測スペクトルはモデルトレーニングの設定に依存するため、最寄りの操作点を選択するためのラベルなしモデル選択ルールを提供する。

関連論文リスト

• Learning to Discretize: Diffusion-Based Adaptive Mesh with Spectral Guidance [10.080968143531875]
  ほとんどの神経偏微分方程式(PDE)は、格子が既に選択された後に磁場がどのように進化するかを学ぶ。 この隠れ設計の選択自体が学習可能であるべきだと我々は主張する。 有効なメッシュ変位に対する物理制約付き条件生成問題として適応離散化を定式化する。
  論文  参考訳（メタデータ） (2026-07-13T03:09:05Z)
• Inference-Time Attribute Distribution Alignment for Unconditional Diffusion [54.28942858023809]
  我々は、事前訓練された非条件拡散モデルに対する推論時属性分布アライメント問題を定式化する。 そこで本研究では,逆拡散過程に対する最適制御問題として,推定時属性分布アライメントを適用した。 最適制御に基づくアルゴリズムを用いて分散マッチングの最適化を行う。
  論文  参考訳（メタデータ） (2026-05-08T09:02:47Z)
• Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
  科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
  論文  参考訳（メタデータ） (2026-04-01T17:21:33Z)
• Amortized Inference for Correlated Discrete Choice Models via Equivariant Neural Networks [0.0]
  本稿では,ニューラルネットワークエミュレータを用いた一般的な誤差分布に対する選択確率の近似手法を提案する。 我々は,ソボレフトレーニングを用いて,勾配マッチングペナルティによる可能性損失を増大させ,エミュレータが選択確率と導関数の両方を学習できるようにする。
  論文  参考訳（メタデータ） (2026-03-25T18:30:11Z)
• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• SelectiveFinetuning: Enhancing Transfer Learning in Sleep Staging through Selective Domain Alignment [3.5833494449195293]
  実用的な睡眠段階分類において、重要な課題は、異なる主題や環境にわたる脳波データの変動である。 脳波の特徴を抽出するために,事前訓練された多分解能畳み込みニューラルネットワーク(MRCNN)を用いる。 選択的なソースデータでモデルを微調整することで、SelectiveFinetuningはターゲットドメインにおけるモデルの性能を向上させる。
  論文  参考訳（メタデータ） (2025-01-07T13:08:54Z)
• Dual-Path Adversarial Lifting for Domain Shift Correction in Online Test-time Adaptation [59.18151483767509]
  テスト時間適応におけるドメインシフト補正のためのデュアルパストークンリフトを導入する。 次に、インターリーブされたトークン予測とドメインシフトトークンのパスとクラストークンのパスの間の更新を行う。 評価実験の結果,提案手法はオンライン完全テスト時間領域適応性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-08-26T02:33:47Z)
• UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
  LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。 事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。 LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:02:15Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Transport away your problems: Calibrating stochastic simulations with optimal transport [0.0]
  我々は輸送理論からの手法を活用して「校正」シミュレータを構築する。 ニューラルネットワークを用いて、シミュレータによって生成された個々のサンプルに対する最小限の変更を計算します。 実験粒子物理学の文脈におけるその方法とその利点を解説する。
  論文  参考訳（メタデータ） (2021-07-19T07:11:13Z)
• Affine Transport for Sim-to-Real Domain Adaptation [33.339348716703256]
  本稿では、ソースとターゲットドメイン間の状態遷移分布のマッピングをモデル化したアフィン輸送について述べる。 シミュレーション環境を用いた多数のOpenAI Gym sim-to-sim実験において,本手法の評価を行った。 その結果,アフィン輸送は元の非適応力学モデルと比較してモデル適応誤差を著しく低減できることがわかった。
  論文  参考訳（メタデータ） (2021-05-25T08:05:06Z)
• Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
  ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。 本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。 本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
  論文  参考訳（メタデータ） (2020-07-06T17:59:30Z)

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。