論文の概要: Multi-Dataset Inverse Problem Solving with Distributed Generative AI

• arxiv url: http://arxiv.org/abs/2608.26283v1
• Date: Wed, 26 Aug 2026 18:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.141369
• Title: Multi-Dataset Inverse Problem Solving with Distributed Generative AI
• Title（参考訳）: 分散生成AIを用いたマルチデータセット逆問題の解法
• Abstract要約: 本稿では、生成AIに基づく逆問題解決器のコンテキストにおいて、複数の異種データセットを同時に解析するフレームワークを提案する。 マルチ検出器散乱実験にインスパイアされた制御されたセットアップを用いて,本手法の有効性を検証する。 その結果,本手法は実世界のマルチデータセット解析に適しており,実験条件は測定範囲によって異なることがわかった。
• 参考スコア（独自算出の注目度）: 1.0877122445562903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting a shared set of unknown, not directly measurable quantities from multiple, heterogeneous datasets is a common challenge across scientific domains. A prominent example is the combination of datasets obtained from different measurements with different settings (e.g. varying detector resolutions). Analyzing such datasets jointly, rather than independently or after naive merging, is essential for obtaining precise and unbiased estimates of the unknowns, but requires careful treatment of dataset heterogeneity and is computationally demanding. We present a generalized framework for simultaneously analyzing multiple heterogeneous datasets in the context of generative AI-based inverse problem solvers. Building on our recent Scalable Asynchronous Generative Inverse Problem Solver (SAGIPS) framework, we extend the well-established distributed data-parallel training paradigm to non-identically distributed datasets, where each dataset is controlled by the same set of unknown inference parameters but covers a different region of the available feature space. Each dataset is processed through its own forward operator and discriminator, providing complementary constraints that collectively guide a shared generator toward global parameter consistency. We validate the approach using a controlled setup inspired by a multi-detector scattering experiment. We provide numerical evidence that our framework is robust to different data fidelities, which arise from unknown detector systematics in the Rutherford experiment, and we show the scaling behavior on multi-GPU leadership computing systems. The results show that our approach is well suited for real-world multi-dataset analyses in which experimental conditions vary across measurements.
• Abstract（参考訳）: 複数の異種データセットから直接測定不可能な量の共有集合を抽出することは、科学領域間で共通の課題である。 顕著な例は、異なる測定値から得られるデータセットと異なる設定(例えば様々な検出器分解能)の組み合わせである。 このようなデータセットを独立に、あるいは単純でマージした後に、共同で分析することは、未知の正確な、偏見のない見積もりを得るためには不可欠であるが、データセットの不均一性の慎重な処理が必要であり、計算的に要求される。 本稿では、生成AIに基づく逆問題解決器のコンテキストにおいて、複数の異種データセットを同時に解析するための一般化されたフレームワークを提案する。 最近のスケーラブル非同期生成逆問題解法(SAGIPS)フレームワークに基づいて、よく確立された分散データ並列トレーニングパラダイムを、同一でない分散データセットに拡張します。 各データセットは独自のフォワード演算子と識別器を通じて処理され、グローバルパラメータ一貫性に向けて共有ジェネレータを集合的に導く補完的制約を提供する。 マルチ検出器散乱実験にインスパイアされた制御されたセットアップを用いて,本手法の有効性を検証する。 ラザフォード実験における未知の検出体系から生じる異なるデータ忠実性に対して,我々のフレームワークが堅牢であることを示す数値的証拠を提供し,マルチGPUリーダーシップ計算システムにおけるスケーリング挙動を示す。 その結果,本手法は実世界のマルチデータセット解析に適しており,実験条件は測定範囲によって異なることがわかった。

関連論文リスト

• Joint discovery of governing partial differential equations from multi-source datasets by competitive optimization [19.385544546206145]
  マルチソースデータセットから共有偏微分方程式(PDE)を発見するために設計された競合最適化フレームワークを提案する。 7つのケースにまたがるデータセット毎の観測値が50個にも満たないことが,正準方程式を高精度に再現できることを実証した。
  論文  参考訳（メタデータ） (2026-06-29T07:35:59Z)
• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• Personalized Coupled Tensor Decomposition for Multimodal Data Fusion: Uniqueness and Algorithms [15.520496676392955]
  データ融合の課題に対処するパーソナライズされたCTDフレームワークを提案する。 各データセットを2つのコンポーネントの和として表現するフレキシブルモデルが提案されている。 共通成分と異なる成分を計算するための2つのアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2024-12-02T04:19:47Z)
• PATH: A Discrete-sequence Dataset for Evaluating Online Unsupervised Anomaly Detection Approaches for Multivariate Time Series [0.01874930567916036]
  多変量時系列に対する異常検出手法のベンチマークは、高品質なデータセットが不足しているため、難しい課題である。 我々は、最先端のシミュレーションツールによって生成される多種多様な、広範囲で、非自明なデータセットという解決策を提案する。 我々のデータセットは離散列問題を表しており、文献でこれまで提案されていた解には未適応のままである。
  論文  参考訳（メタデータ） (2024-11-21T09:03:12Z)
• Cross-Dataset Gaze Estimation by Evidential Inter-intra Fusion [38.93368421481945]
  クロスデータセットモデルをトレーニングするための新しいEvidential Inter-Intra Fusion EIFフレームワークを提案する。 さまざまなデータセットに対して独立した単一データセットのブランチを構築します。 さらに、単一データセットのブランチから一般化可能な機能を統合するために、クロスデータセットのブランチを作成します。
  論文  参考訳（メタデータ） (2024-09-07T08:53:17Z)
• AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning [98.26836657967162]
  textbfAgentOhanaは、さまざまなシナリオにまたがって、異なる環境からエージェントのトラジェクトリを集約する。 AIエージェント用に調整された大規模なアクションモデルである textbfxLAM-v0.1 は、さまざまなベンチマークで例外的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-23T18:56:26Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via Generative Models [16.436293069942312]
  我々は、教師なしの方法で高次元異種データから確率的生成モデルを学習することに興味がある。 本稿では,指数関数的な分布系を通じて異なるデータ型を結合する一般的なフレームワークを提案する。 提案アルゴリズムは、実数値(ガウス)とカテゴリー(マルチノミカル)の特徴を持つ、よく遭遇する異種データセットについて詳細に述べる。
  論文  参考訳（メタデータ） (2021-08-27T18:10:31Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。