論文の概要: A budget-dependent crossover between coverage- and response-based training-set selection for machine-learned interatomic potentials
- arxiv url: http://arxiv.org/abs/2609.05877v1
- Date: Sat, 05 Sep 2026 04:49:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.152943
- Title: A budget-dependent crossover between coverage- and response-based training-set selection for machine-learned interatomic potentials
- Title（参考訳）: 機械学習型原子間ポテンシャルに対するカバレッジと応答に基づくトレーニングセットの選択の予算依存性
- Abstract要約: GAP-20 Carbon における再訓練型 MACE モデルとプール型 MD17 モデルの比較検討
構造的カバレッジは、カバレッジ訓練されたモデルとフルデータ参照との相違をターゲットとする応答誘導セレクタと比較される。
- 参考スコア（独自算出の注目度）: 0.4583541422554718
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Selecting compact training sets for machine-learned interatomic potentials requires deciding whether to preserve structural diversity or target configurations on which models disagree. The better choice can depend on how much data is retained, making a comparison at one training-set size insufficient. Here we link selection criteria to prediction accuracy through a budget-resolved comparison of retrained MACE models on GAP-20 Carbon and pooled revised MD17. Structural coverage is compared with a response-guided selector that targets disagreement between a coverage-trained model and a full-data reference. This retrospective response witness tests the value of model disagreement for compressing an already labelled pool. At 5\%, coverage gives smaller absolute deviations from the full-data error than random sampling across four force endpoints in both datasets. The witness has larger deviations than coverage at 1\% and 5\%, but the ordering reverses at 20\%. At 20\%, witness-selected models also lower direct held-out force errors by 0.46--5.89\% relative to coverage, with all eight paired training-seed intervals favouring the witness. Six errors fall below the full-data reference. Mean force-error reductions are 0.164--0.167~meV~$\textÅ^{-1}$, with larger gains for tail and masked endpoints. Complementary analyses show that learned similarity preserves the coverage ranking, while selecting by frozen-model error gives higher error than embedding coverage. These findings establish retained-data budget as a deciding variable in atomistic training-set selection and provide a direct test of when response-guided compression improves on structural coverage.
- Abstract（参考訳）: 機械学習された原子間ポテンシャルに対するコンパクトなトレーニングセットの選択には、構造的多様性を維持するか、モデルが一致しないターゲット構成を判断する必要がある。
より良い選択は、データがどれだけ保持されているかにかかっているため、1つのトレーニングセットサイズの比較が不十分である。
ここでは,GAP-20 Carbon 上で再訓練された MACE モデルの比較と,修正MD17 のプール化により,選択基準と予測精度をリンクする。
構造的カバレッジは、カバレッジ訓練されたモデルとフルデータ参照との相違をターゲットとする応答誘導セレクタと比較される。
この振り返り応答は、既にラベル付けされたプールを圧縮するモデル不一致の値をテストする。
カバレッジは5\%で、両方のデータセットの4つのフォースエンドポイントにわたるランダムサンプリングよりも、完全なデータエラーからの絶対偏差が小さくなります。
証人は1\%と5\%よりも大きな偏差があるが、順序は20\%で逆転する。
20 %では、目撃者が選択したモデルは、被疑者に対して直接拘束力の誤差を 0.46--5.89 % 下げる。
6つのエラーが全データ参照を下回る。
平均的な力-誤差の削減は0.164--0.167~meV~$\text ^{-1}$であり、尾と仮面の終端がより大きなゲインを持つ。
相補的解析により,学習した類似性はカバレッジランキングを保ちつつ,凍結モデル誤差による選択は埋め込みカバレッジよりも高い誤差を与えることが示された。
これらの結果は, 原子論的トレーニングセット選択における決定変数として保持データ予算を確立し, 応答誘導圧縮が構造的カバレッジを改善する際の直接試験を提供する。
関連論文リスト
- Diversity Matters: Distributional Feature Coverage Sample Selection for Data-Efficient Backdoor Attacks [22.452076838251575]
バックドア攻撃は、モデルがクリーンな精度を維持するためにトレーニングデータを妥協するが、トリガされた入力に対してアタッカー・チョーゼンターゲットを予測する。
本研究では,無訓練トリガ診断法であるDFCS(Distributal Feature Coverage Sample Selection)を提案する。
BadNetsとBlendedのCIFAR-10、Tiny-ImageNet、Imagenetteに対する攻撃全体で、DFCSは6つのデータセット-アタック設定で7つのセレクタの中で最高平均攻撃成功率を達成する。
論文 参考訳（メタデータ） (2026-08-10T02:52:24Z) - Iterate or Widen? When Test-Time Refinement Helps LiDAR Scene Completion: A Controlled Study of Evidence Geometry, Training Coverage, and Compute [4.730664917323328]
我々は,同じ凍結予測器から1ショットの予測器,パラメータマッチングされたより広い予測器,および重み付き乗算器を比較した。
このプロトコルは、コヒーレント領域の除去、独立した薄型化、範囲依存性の減衰、および添加性クラッタを分離する。
5つの訓練種子と815個のセマンティックKITTI-08フレームにまたがって、完全な反復システムはmIoUを0.911ポイントの範囲で改善する。
論文 参考訳（メタデータ） (2026-08-06T13:19:14Z) - Post-Hoc Trajectory-Risk Certification for Modular LLM-Based Security Agents [1.4915002678801434]
ボンフェロニ配置は分布自由であるが,相関誤差下では保守的であることを示す。
粗いラベルの選択は、学習された依存なしにほぼ完璧な相関関係を作ることができる。
ステージ単位の証明書とペアの重なり合うバウンドを用いたモジュール証明書は、正の平均利得が0.6%となる。
論文 参考訳（メタデータ） (2026-08-04T23:48:36Z) - On the Necessity of Output Distribution Reweighting for Effective Class Unlearning [9.13515473028423]
モデルが近隣のクラスに割り当てる確率を用いて、未学習のサンプルを検出するMIA-NNによる会員推論攻撃を導入する。
そこで我々は,このプライバシー漏洩を緩和する新たな微調整手法を提案する。
論文 参考訳（メタデータ） (2025-06-25T23:53:56Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Confidence-Based Model Selection: When to Take Shortcuts for
Subpopulation Shifts [119.22672589020394]
モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。
我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
論文 参考訳（メタデータ） (2023-06-19T18:48:15Z) - Characterizing the Optimal 0-1 Loss for Multi-class Classification with
a Test-time Attacker [57.49330031751386]
我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。
本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-02-21T15:17:13Z) - Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。
Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。
さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
論文 参考訳（メタデータ） (2023-01-02T07:13:28Z) - Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
我々は,推論中に深層モデルを新しい環境に適応させることを提案する。
バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。
また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
論文 参考訳（メタデータ） (2021-10-06T08:45:03Z) - TACRED Revisited: A Thorough Evaluation of the TACRED Relation
Extraction Task [80.38130122127882]
TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである
パフォーマンスの天井に到達したのか、改善の余地はあるのか?
ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
論文 参考訳（メタデータ） (2020-04-30T15:07:37Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。