論文の概要: Bridging Control, Inference, Transport, and Thermodynamics: From Theory to Applications in Learning

• arxiv url: http://arxiv.org/abs/2609.15897v1
• Date: Mon, 14 Sep 2026 17:16:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.529542
• Title: Bridging Control, Inference, Transport, and Thermodynamics: From Theory to Applications in Learning
• Title（参考訳）: ブリッジング制御, 推論, 輸送, 熱力学:理論から学習への応用へ
• Abstract要約: 過去10年間、高次元データから複雑な構造を学ぶための強力な手法が開発されてきた。 これらの進歩は、物理学の下位分野、応用数学、機械学習の間に基礎的なつながりをもたらした。 制御理論,最適輸送,確率的推論,非平衡熱力学,機械学習の5つの異なる分野をリンクする概念的スレッドを強調した。
• 参考スコア（独自算出の注目度）: 25.727025115930825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The last decade has seen the development of powerful methods for learning complex structure from high-dimensional data. These advances have brought to the foreground fundamental connections between subdisciplines of physics, applied mathematics, and machine learning. In this review, we bring together some of these ideas, often expressed in different languages, to highlight a conceptual thread that links five distinct fields: control theory, optimal transport, probabilistic inference, non-equilibrium thermodynamics, and machine learning. A common theme is the optimization of free-energy-like functionals under dynamical or statistical constraints. We offer a guided tour through this thread and present selected applications in reinforcement learning, variational inference, and generative modeling. The review does not assume prior familiarity with these topics, and begins with principles originating from physics.
• Abstract（参考訳）: 過去10年間、高次元データから複雑な構造を学ぶための強力な手法が開発されてきた。 これらの進歩は、物理学の下位分野、応用数学、機械学習の間に基礎的なつながりをもたらした。 このレビューでは、制御理論、最適輸送、確率的推論、非平衡熱力学、機械学習の5つの異なる分野をリンクする概念的スレッドを取り上げ、これらのアイデアをまとめて紹介する。 一般的なテーマは、動的あるいは統計的制約の下で自由エネルギーのような函数を最適化することである。 このスレッドを通してガイド付きツアーを行い、強化学習、変分推論、生成モデリングにおける選択された応用について述べる。 レビューはこれらのトピックに事前の親しみを前提とせず、まず物理学から始まる原則から始まる。

関連論文リスト

• Towards Physics of Multimodal Pretraining: Knowledge Flow, Modality Synergy, Early Unification, and Recipes [57.55143519213221]
  我々は,マルチモーダル事前学習の体系的な探索を通じて,経験的明瞭度を提供する。 人工および大規模実世界のデータセットに関する我々の実験は、マルチモーダルプレトレーニングの物理に関する4つの重要な洞察をもたらす。
  論文  参考訳（メタデータ） (2026-08-05T16:09:25Z)
• Invariant Learning Dynamics of Transformers in Inductive Reasoning Tasks [50.79340930913805]
  文献で知られているいくつかの合成タスクを統一する帰納的タスクのクラスについて検討する。 低次元力学現象として回路形成を鋳造することにより、トランスフォーマーの学習方法に関する予測理論へと進む。
  論文  参考訳（メタデータ） (2026-07-13T17:56:11Z)
• There Will Be a Scientific Theory of Deep Learning [62.690977616250954]
  我々は、深層学習の科学的理論が出現しつつあることを主張する。 我々は、そのような理論を導く5つの成長する仕事の体を同定する。 我々は、新しい理論は学習過程の力学と考えるのが一番良いと論じる。
  論文  参考訳（メタデータ） (2026-04-23T13:58:12Z)
• Learning About Learning: A Physics Path from Spin Glasses to Artificial Intelligence [0.0]
  ホップフィールドモデルは、もともとスピングラス物理学にインスパイアされたもので、統計力学、ニューラルネットワーク、そして現代の人工知能の交差点で中心的な位置を占めている。 我々はホップフィールドモデルを、学部統計物理学、力学系、線形代数、計算方法からコアトピックを自然に統一する、教育学的にリッチなフレームワークとして提示する。 この研究は、学生が研究、産業、社会の中心となる計算ツールを理解し、適用し、批判的に関わるのを助けることを目的としている。
  論文  参考訳（メタデータ） (2026-01-12T15:16:15Z)
• Understanding Machine Learning Paradigms through the Lens of Statistical Thermodynamics: A tutorial [0.0]
  このチュートリアルは、エントロピー、自由エネルギー、そして機械学習に使用される変分推論のような高度なテクニックを掘り下げる。 物理的システムの振る舞いを深く理解することで、より効果的で信頼性の高い機械学習モデルが得られることを示す。
  論文  参考訳（メタデータ） (2024-11-24T18:20:05Z)
• Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
  グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。 グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。 本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
  論文  参考訳（メタデータ） (2024-07-03T14:07:41Z)
• Constructing Custom Thermodynamics Using Deep Learning [10.008895786910195]
  人工知能(AI)の最もエキサイティングな応用の1つは、以前に蓄積されたデータに基づいた自動科学的発見である。 ここでは、任意の散逸系のマクロ的記述を学習するための一般化オンサーガー原理に基づくプラットフォームを開発する。 本研究では, 長期ポリマー鎖の伸張特性を理論的, 実験的に検証し, その効果を実証する。
  論文  参考訳（メタデータ） (2023-08-08T08:19:43Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• The problem of engines in statistical physics [62.997667081978825]
  エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。 オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。 運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-08-17T03:59:09Z)
• Physics guided machine learning using simplified theories [0.0]
  機械学習、特にディープラーニングの最近の応用は、物理科学における統計推論アプローチの汎用性に対処する必要性を動機付ける。 このようなデータ駆動予測エンジンの精度を向上させるために,モジュール型物理誘導機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-18T21:30:40Z)

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。