論文の概要: Introductory Notes on Learning$^2$
- arxiv url: http://arxiv.org/abs/2609.06546v1
- Date: Sun, 06 Sep 2026 11:36:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.264432
- Title: Introductory Notes on Learning$^2$
- Title（参考訳）: 学習のための入門ノート^2$
- Abstract要約: 仮説空間を構成する表現レベルフレームワークであるLearning$2$を紹介する。
Eulerian--Lagrangian representation for fluid dynamics。
- 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: Although machine learning can be used to predict the evolution of physical systems from data, a formulation that learns only the system state at each time leaves the temporal and dynamical structure of the solution to be resolved within a broad hypothesis space. We introduce Learning$^2$, a representation-level framework that structures this space by coupling a primary representation to a second representation through a known physical transformation. The resulting cross-representation constraint restricts the effective hypothesis space and provides an ante-hoc, physically interpretable criterion for excluding solutions that satisfy the primary representation alone. We instantiate Learning$^2$ through EuLaNet, an Eulerian--Lagrangian representation for fluid dynamics. Given the velocity state $u(\mathbf{x},t)$, EuLaNet constructs its induced Lagrangian flow map $X(\mathbf{a},t)$ through $\dot{X}(\mathbf{a},t)=u(X(\mathbf{a},t),t)$, from which material transport and finite-time deformation are derived. The resulting representation couples the predicted state to the dynamical consequences it induces, providing a second consistency criterion beyond state-level agreement. We formalize this construction through an effective hypothesis space $\mathcal{H}_{L^2}\subseteq\mathcal{H}$ and define the conditions under which a consequence representation provides discriminative constraints on candidate solutions. EuLaNet is implemented as a model-independent representation module, separating the physical constraint from the downstream learning architecture. This construction provides an ante-hoc mechanism for physically interpretable constraint in scientific learning and offers a basis for developing and evaluating broader classes of Learning$^2$ architectures. The implementation is open-sourced to support the development and extension of the architecture across scientific domains.
- Abstract（参考訳）: 機械学習は物理的システムの進化をデータから予測するために用いられるが、各時点のシステム状態のみを学習する定式化は、広い仮説空間内で解決される解の時間的構造と動的構造を残している。
本稿では,この空間を構成する表現レベルフレームワークであるLearning$^2$を紹介した。
結果として得られる交叉表現制約は、有効仮説空間を制限し、一次表現のみを満たす解を除外するための、アンテホックで物理的に解釈可能な基準を提供する。
Eulerian--Lagrangian representation for fluid dynamics。
速度状態 $u(\mathbf{x},t)$ が与えられたとき、EuLaNet はその誘導ラグランジアンフローマップ $X(\mathbf{a},t)$ through $\dot{X}(\mathbf{a},t)=u(X(\mathbf{a},t),t)$ から物質輸送と有限時間変形が導出される。
結果として生じる表現は、予測された状態とそれが引き起こすダイナミックな結果とを結合し、状態レベルの合意を超えた第2の一貫性基準を提供する。
この構成を実効的仮説空間 $\mathcal{H}_{L^2}\subseteq\mathcal{H}$ で定式化し、結果表現が候補解に対する差別的制約を与える条件を定義する。
EuLaNetはモデルに依存しない表現モジュールとして実装され、物理制約を下流の学習アーキテクチャから分離する。
この構造は、科学的学習における物理的に解釈可能な制約に対するアンテホックなメカニズムを提供し、ラーニング$2$アーキテクチャのより広範なクラスの開発と評価の基礎を提供する。
実装は、科学分野にわたるアーキテクチャの開発と拡張をサポートするために、オープンソースとして公開されている。
関連論文リスト
- Representational Capacity: Geometric Limits on Feature Representation in Transformer Language Models [51.56484100374058]
モデルがサポートできるほぼ直交方向数を推定するためのフレームワークを開発する。
このメトリックを数十のオープンソースモデルに適用すると、高い$varepsilon$を持つモデルと、それを維持する$varepsilon$の低いモデルという2つのクラスが明らかになる。
論文 参考訳（メタデータ） (2026-06-01T18:28:56Z) - Strategic PAC Learnability via Geometric Definability [69.34283267701421]
戦略分類は、個人が分類者の判断に影響を与えるために、コストで特徴を修正できる学習環境を研究する。
中心的な問題は、帰納的(戦略的な)仮説クラスのサンプルの複雑さが、基礎となる仮説クラスの複雑さと、実現可能な操作を管理するコスト構造にどのように依存するかである。
仮説クラスとコスト誘起近傍関係は、$mathbbR_mathtexp$上の一階式で定義することができる。
難易度は, 複雑度によって制御され, 学習性は維持されていることを証明した。
論文 参考訳（メタデータ） (2026-05-13T12:21:56Z) - Decidable By Construction: Design-Time Verification for Trustworthy AI [0.0]
機械学習における一般的な仮定は、モデル正しさは事実の後に強制されなければならないというものである。
我々は,AIモデルが数値的に安定しているか,計算的に正しいか,あるいは物理領域と整合しているかを決定する特性が,必ずしもポストホック強制を要求するとは限らないことを観察する。
論文 参考訳（メタデータ） (2026-03-26T13:09:36Z) - Dynamic Large Concept Models: Latent Reasoning in an Adaptive Semantic Space [56.37266873329401]
大規模言語モデル (LLM) は、高度に一様でない情報密度を示す言語にもかかわらず、全てのトークンに一様計算を適用する。
我々は,潜在表現から意味境界を学習し,トークンから推論がより効率的である圧縮概念空間へ移行する階層型言語モデリングフレームワークである$textbfDynamic Large Concept Models (DLCM)$を提案する。
論文 参考訳（メタデータ） (2025-12-31T04:19:33Z) - How Many Heads Make an SSM? A Unified Framework for Attention and State Space Models [2.1693096503777003]
我々は、入力依存の効果的な相互作用演算子$W_ij(X)$を介して、幅広いシーケンスマップのクラスを表す統一されたフレームワークを導入する。
我々は、多頭部分解クラスにおいて、ラグ作用素が長さ-n$要求上の$k$次元部分空間にまたがる線形SSMを表現し、$H=k$ヘッドで達成可能であることを示す同値 (Head-Count) 定理を証明した。
論文 参考訳（メタデータ） (2025-12-17T06:15:24Z) - Neural Expectation Operators [2.1756081703276]
本稿では,非線形予測によるあいまいさをモデル化するためのパラダイムであるtextbfMeasure Learningを紹介する。
我々はニューラル期待演算子を、ドライバがニューラルネットワークによってパラメータ化される後方微分方程式(BSDEs)の解として定義する。
本稿では,建築設計による凸性などの重要な公理特性の強化のための建設的手法を提案する。
論文 参考訳（メタデータ） (2025-07-13T06:19:28Z) - Why Neural Network Can Discover Symbolic Structures with Gradient-based Training: An Algebraic and Geometric Foundation for Neurosymbolic Reasoning [73.18052192964349]
我々は、連続的なニューラルネットワークトレーニングのダイナミックスから、離散的なシンボル構造が自然に現れるかを説明する理論的枠組みを開発する。
ニューラルパラメータを測度空間に上げ、ワッサーシュタイン勾配流としてモデル化することにより、幾何的制約の下では、パラメータ測度 $mu_t$ が2つの同時現象となることを示す。
論文 参考訳（メタデータ） (2025-06-26T22:40:30Z) - Bound by semanticity: universal laws governing the generalization-identification tradeoff [8.437463955457423]
有限分解能の類似性は、単なる玩具・模型の人工物ではなく、基本的な創発的な情報制約であることを示す。
これらの結果は、一般化識別トレードオフの正確な理論を提供し、意味論的解決がディープネットワークや脳の表現能力をどのように形成するかを明らかにする。
論文 参考訳（メタデータ） (2025-06-01T15:56:26Z) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳（メタデータ） (2022-03-12T14:22:14Z) - A Theory of Usable Information Under Computational Constraints [103.5901638681034]
本稿では,複雑なシステムにおける情報推論のための新しいフレームワークを提案する。
我々の基礎はシャノンの情報理論の変分拡張に基づいている。
計算制約を組み込むことで,データから$mathcalV$-informationを確実に推定できることを示す。
論文 参考訳（メタデータ） (2020-02-25T06:09:30Z)
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。