Fugu-MT 論文翻訳(概要): Do Tabular Foundation Models Know Physics? Contamination, Units, and the Deterministic Limit

論文の概要: Do Tabular Foundation Models Know Physics? Contamination, Units, and the Deterministic Limit

arxiv url: http://arxiv.org/abs/2609.02766v1
Date: Wed, 02 Sep 2026 16:05:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.461925
Title: Do Tabular Foundation Models Know Physics? Contamination, Units, and the Deterministic Limit
Title（参考訳）: タブラル基礎モデルは物理を知っているか? 汚染, 単位, 決定論的限界
Abstract要約: タブラル基礎モデルは、言語モデルがテキストで満たす方法の表に記入することを学ぶ。ノイズレス機構や物理ユニットを表現できないことを示す。
参考スコア（独自算出の注目度）: 14.741590455769803
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tabular foundation models (TFMs) learn to fill in tables the way language models fill in text, and tables are arguably the format in which most physical measurement arrives. Did they learn any physics in the process? They are Bayesian by construction, so the question is what their prior contains. We probe it directly, evaluating four of them (TabPFN-3, TabICLv2, TabDPT and Real-TabPFN-2.5) against six baselines on datasets sampled from 316 physical equations, in and out of domain. TFMs dominate, out of the box and after tuning. But we show that their prior can represent neither a noiseless mechanism nor physical units, which is why they interpolate physics without yet being able to act as physical models.
Abstract（参考訳）: タブラル基礎モデル(TFM)は、言語モデルがテキストで満たす方法を学ぶ。彼らはその過程で物理学を習いましたか。それらは建設によってベイズ的であり、それ以前に何が含まれていたかが問題である。これらのうち4つ(TabPFN-3、TabICLv2、TabDPT、Real-TabPFN-2.5)を、316の物理方程式から抽出された領域内および外部のデータセットの6つのベースラインに対して直接探索する。 TFMは、箱から出て、チューニング後、支配的です。しかし、それらの先行はノイズのないメカニズムでも物理単位でもないことが示されるので、物理モデルとして振る舞うことなく物理を補間することができる。

関連論文リスト

OraclePhys: A Systematic Framework for LLM Fine-Tuning on Structural Mechanics [30.23918589040863]
OraclePhysは3つのコンポーネントからなる体系的な微調整フレームワークである。 OraclePhys-Benchは、完全にグレードされた構造力学ベンチマークである。 OraclePhys-30Kは、バイト単位の構造記述に対する7つの回答フォームのデータセットである。
論文参考訳（メタデータ） (2026-08-17T21:56:21Z)
NewtPhys: Do Foundation Models Understand Newtonian Physics? [25.906063461629504]
これまでの研究は、合成シーンや半合成シーンを用いて基礎モデルの物理推論を評価してきた。 NewtPhysは物理地上シミュレーションによる現実世界のシーンのマルチビュー画像から構築された4Dの物理的アノテートデータセットである。
論文参考訳（メタデータ） (2026-06-02T17:59:12Z)
Do Physics Foundation Models Learn Generalizable Physics? A Bias-Aware Benchmark Across Physical Regimes and Distribution Shifts [32.56667671508667]
最近の物理基礎モデルでは、一般的な時間予測能力が主張されているが、その評価は固定されたトレーニング分布の下で1つの平均スコアに崩壊する。これにより、モデルが一般的な物理力学を学習したのか、特定の設定下でのみうまく機能したのかを判断することが困難になる。 8つの物理ダイナミックス3のトレーニングデータ混合と、動的スケールと初期条件の複雑さによって誘導される25のテストレギュレーションを用いたベンチマークを構築した。
論文参考訳（メタデータ） (2026-05-28T03:08:57Z)
PhysicsMind: Sim and Real Mechanics Benchmarking for Physical Reasoning and Prediction in Foundational VLMs and World Models [40.16417939211015]
MLLM(Multimodal Large Language Models)やビデオワールドモデルは、数学的、常識的、視覚的推論において大きく進歩している。この問題を計測しようとする既存のベンチマークは、合成された視覚的質問応答テンプレート、あるいは物理的な法則によってビデオがどれだけうまく機能するかを測定するための知覚的ビデオ品質に焦点を当てている。我々は,3つの標準原理(Center of Mass, Lever Equilibrium, Newton's First Law)について,法に一貫性のある推論と生成を評価する統一ベンチマークであるPhysicalMindを紹介する。
論文参考訳（メタデータ） (2026-01-22T14:33:01Z)
nanoTabPFN: A Lightweight and Educational Reimplementation of TabPFN [78.62756717376563]
NanoTabPFNはTabPFN v2アーキテクチャとそれに対応するトレーニングループの軽量実装である。 1つのGPUでの事前トレーニングから1分以内に、従来の機械学習ベースラインに匹敵するパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-11-05T16:52:51Z)
CMPhysBench: A Benchmark for Evaluating Large Language Models in Condensed Matter Physics [71.42168240638462]
CMPhysBenchは、凝縮物質物理学における大規模言語モデルの習熟度を評価するように設計されている。以上の結果から,最高モデルであるGrok-4でさえ,CMPhysBench上での平均SEEDスコアが36点,精度が28%であった。
論文参考訳（メタデータ） (2025-08-25T15:32:22Z)
PhyX: Does Your Model Have the "Wits" for Physical Reasoning? [49.083544963243206]
既存のベンチマークでは、物理的な推論という、インテリジェンスの重要な側面を捉えられません。視覚シナリオにおける物理基底推論のモデルキャパシティを評価するために設計された,最初の大規模ベンチマークであるPhyXを紹介する。
論文参考訳（メタデータ） (2025-05-21T18:33:50Z)
Scaling Physical Reasoning with the PHYSICS Dataset [39.960500815534836]
PHYSICSは、被験者と難易度にまたがる16,568の高品質な物理問題を含むデータセットである。力学、電磁気学、熱力学、光学、現代物理学の5つの分野を網羅している。また、高校から大学院レベルの物理学コースまで幅広い難易度がある。
論文参考訳（メタデータ） (2025-05-21T17:06:28Z)
Why Tabular Foundation Models Should Be a Research Priority [65.75744962286538]
タブラルデータは、多くの分野において支配的なモダリティであるが、研究の注意がほとんど与えられず、スケールとパワーの面ではかなり遅れている。私たちは現在、表形式の基礎モデル、あるいはLTM(Large Tabular Model)と呼ばれるものの開発を始める時が来たと信じています。
論文参考訳（メタデータ） (2024-05-02T10:05:16Z)
PROST: Physical Reasoning of Objects through Space and Time [68.69796589964076]
このデータセットには、14のテンプレートを手作業でキュレートした18,736の多重選択質問が含まれている。我々は、最先端の事前学習モデルが物理的推論において不十分であることを示す分析を行う。
論文参考訳（メタデータ） (2021-06-07T14:06:20Z)
PIGLeT: Language Grounding Through Neuro-Symbolic Interaction in a 3D World [86.21137454228848]
我々はPIGLeTを物理力学モデルと別言語モデルに分類する。 PIGLeTは文を読み、次に何が起こるか神経的にシミュレートし、その結果を文字通りの記号表現を通して伝達する。 80%以上の英語の文から「次に何が起こるか」を正確に予測することができ、100倍以上のテキスト・テキスト・アプローチを10%以上上回っている。
論文参考訳（メタデータ） (2021-06-01T02:32:12Z)

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。