論文の概要: MLIP Detective: Active Failure Mode Discovery Beyond Benchmark Scores for Machine-Learning Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2609.08399v1
• Date: Tue, 08 Sep 2026 08:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.614293
• Title: MLIP Detective: Active Failure Mode Discovery Beyond Benchmark Scores for Machine-Learning Interatomic Potentials
• Title（参考訳）: MLIP Detective: 機械学習による原子間ポテンシャルのベンチマークスコアを超えたアクティブな障害モード発見
• Abstract要約: MLIP Detectiveはアクティブな障害モード発見のためのエージェントフレームワークである。 偽装可能な物理インフォームド障害仮説を生成し、安価なシミュレーションでそれらをスクリーニングし、人間の専門家に最も疑わしいケースだけをエスカレートする。
• 参考スコア（独自算出の注目度）: 1.6029406401970168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universal machine-learning interatomic potentials (u-MLIPs) aim to generalize across diverse configurations. Benchmarks enable reproducible evaluation but may not expose failures outside their predefined scope. Here, we show that physics-informed search can complement benchmark-based evaluation by uncovering hidden failure modes. We introduce MLIP Detective, an agentic framework for active failure mode discovery. Starting from benchmark evidence, MLIP Detective generates falsifiable, physics-informed failure hypotheses, screens them with inexpensive simulations, and escalates only the most suspicious cases to human experts together with proposed verification protocols. Without issue-specific prompting, MLIP Detective identified and characterized a systematic anomaly in MACE-MPA-0: the model predicted some relaxed adsorbate-surface systems involving O- or F-containing adsorbates to be higher in energy than their corresponding separated fragments. Using cross-model comparisons, MLIP Detective further inferred a likely training-data origin for the anomaly, consistent with recent reports.
• Abstract（参考訳）: U-MLIP(Universal Machine-learning Interatomic potential)は、様々な構成をまたいで一般化することを目的としている。 ベンチマークは再現可能な評価を可能にするが、事前に定義されたスコープの外の障害を公開することはできない。 そこで本研究では,物理インフォームドサーチが,隠れ障害モードを明らかにすることで,ベンチマークに基づく評価を補完できることを示す。 本稿では,アクティブな障害モード発見のためのエージェントフレームワークであるMLIP Detectiveを紹介する。 ベンチマークエビデンスから、MLIP Detectiveは偽造可能な物理インフォームド障害仮説を生成し、安価なシミュレーションでそれらをスクリーニングし、提案された検証プロトコルとともに、最も疑わしいケースのみを人間専門家にエスカレートする。 MACE-MPA-0において、MLIP Detectiveは、OまたはFを含む吸着剤を含む緩和された吸着剤系が、対応する分離された断片よりもエネルギーが高いことを予測し、系統的な異常を同定した。 モデル間比較を用いて、MLIP Detectiveは、最近の報告と一致して、異常に対するトレーニングデータの起源を更に推測した。

関連論文リスト

• AnomalyAgent: Training-Free Agentic Models for Zero-/Few-Shot Anomaly Detection [43.187781277950386]
  異常検出のためのトレーニング不要なエージェントフレームワークである textbfAnomalyAgent を提案する。 textbf1) は包括的な異常中心のツールセットであり、textbf2) はカスタマイズされたメモリモジュールである。 AnomalyAgent はトレーニング不要な VLM ベースの AD やジェネリックエージェント手法に比べ,性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-05-28T16:05:42Z)
• A Novel Evaluation Metric for Unsupervised Learning in AIS-Based Maritime Anomaly Detection: MADQI [0.5424799109837065]
  本稿では,海上自動識別システム(AIS)データセットにおける異常を検出するための新しい体系的枠組みを提案する。 提案フレームワークは, 異常レート一貫性(ARC), 物理プラウザビリティスコア(PPS), スコア分散分離(SDS), 極端ケースエビデンス(ECE)の4つの相互接続メトリクスを統合した。 AISデータセットによる実験結果から,提案フレームワークはMADQIスコア80.37%を達成し,教師なし異常検出の有効性を示した。
  論文  参考訳（メタデータ） (2026-05-28T11:02:41Z)
• Mechanistic Anomaly Detection via Functional Attribution [6.1937472685875]
  ニューラルネットワークにおける異常検出のための機能的帰属問題を実装する。 視覚モデルにおけるバックドアに対しては,BackdoorBenchの最先端検出を実現する。 本研究は,デプロイモデルにおける異常な振る舞いを検出するための,効果的なモダリティに依存しないツールとして,機能的属性を確立した。
  論文  参考訳（メタデータ） (2026-04-21T01:39:57Z)
• ProbeLLM: Automating Principled Diagnosis of LLM Failures [89.44131968886184]
  ProbeLLMはベンチマークに依存しない自動探索フレームワークで、個々の障害から構造的障害モードへの脆弱性発見を増大させる。 ProbeLLMは、検証可能なテストケースにプローブを制限し、ツールの拡張された生成と検証を活用することで、信頼性のある証拠として障害発見を根拠とする。
  論文  参考訳（メタデータ） (2026-02-13T14:33:13Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis? [0.0]
  基礎的な機械学習の原子間ポテンシャル(MLIP)は急速に発展しており、精度を向上するためにより近い近似を約束している。 そこで我々は,80種類のMLIPのゼロショット性能を系統的に解析し,異種タスクに典型的なタスクを評価する。 多くのMLIPが磁気材料に適用されると破滅的に失敗し、MLIPの構造緩和は一般的にエネルギー予測誤差を増大させる。
  論文  参考訳（メタデータ） (2025-12-18T16:06:14Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• OMNISEC: LLM-Driven Provenance-based Intrusion Detection via Retrieval-Augmented Behavior Prompting [4.71781133841068]
  Provenance-based Intrusion Detection Systems (PIDS) はエンドポイントの脅威分析に広く利用されている。 攻撃手法の進化により、ルールは攻撃者の全ての特性を動的にモデル化することはできない。 異常検出システムは、通常の行動の変化と実際の攻撃行動とを区別できないため、重大な偽陽性問題に直面している。
  論文  参考訳（メタデータ） (2025-03-05T02:08:12Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。