論文の概要: Fast Learning Rates for Physics-Informed Kernel Methods

• arxiv url: http://arxiv.org/abs/2609.18901v1
• Date: Wed, 16 Sep 2026 16:39:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.895709
• Title: Fast Learning Rates for Physics-Informed Kernel Methods
• Title（参考訳）: 物理インフォームドカーネル法における高速学習率
• Abstract要約: 機械学習では、ノイズ値観測からターゲット関数$u*$を学習し、$y_i=u*(x_i)+ varepsilon_i$とする。 物理インフォームドカーネル推定器$hat u$を$n$値観測と$m$差分観測を組み合わせて解析する。 数値シミュレーションによって支持された有限サンプル境界を証明し,予測誤差に対する2つの登録構造を明らかにした。
• 参考スコア（独自算出の注目度）: 10.987093127987974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In physics-informed machine learning, a target function $u^*$ is learned from noisy value observations $y_i=u^*(x_i)+ \varepsilon_i$, together with differential information, given either by noisy observations $d_j=(Du^*)(z_j)+ξ_j$ or by a known physical constraint $Du^*=v$. We consider the setting where $D$ is a linear differential operator and analyze a physics-informed kernel estimator $\hat u$ combining $n$ value observations and $m$ differential observations. In this context, we ask how much can differential information improve predictions, and how does this improvement depend quantitatively on $n$, $m$, and $D$. We prove finite-sample bounds, supported by numerical simulations, revealing a two-regime structure for the prediction error. When $m$ is limited, the rate depends jointly on $n$ and $m$; when $m$ exceeds a problem-dependent threshold, the rate saturates and matches the oracle rate obtained when the perfect constraint $D \hat u = Du^*$ is imposed. Examples are discussed for Sobolev spaces which are reproducing kernel Hilbert spaces and include partial Laplacian constraints on the torus and gradient observations on bounded domains. These examples illustrate the range of possible learning rate improvements --- from the standard nonparametric $n^{-1/4}$ to the parametric rate $n^{-1/2}$. Finally, we derive physically consistent rates in a stronger norm that jointly controls the errors in $\hat u$ and $D\hat u$.
• Abstract（参考訳）: 物理インフォームド機械学習において、目標関数 $u^*$ は、雑音値観測から学習される$y_i=u^*(x_i)+ \varepsilon_i$ と、雑音情報とともに $d_j=(Du^*)(z_j)+\_j$ または既知の物理的制約 $Du^*=v$ によって与えられる。 我々は、$D$が線型微分作用素である場合、$n$値観測と$m$差分観測を組み合わせた物理インフォームドカーネル推定器$\hat u$を解析する。 この文脈では、差分情報はどの程度予測を改善することができるのか、そしてこの改善はどのようにして$n$、$m$、$D$に依存するのかを問う。 数値シミュレーションによって支持された有限サンプル境界を証明し,予測誤差に対する2つの登録構造を明らかにした。 m$ が制限された場合、$m$ は$n$ と $m$ に共同で依存する;$m$ が問題依存しきい値を超えると、完全な制約である $D \hat u = Du^*$ が課されるときに得られるオラクルレートを飽和させ、一致させる。 例として、核ヒルベルト空間を再現するソボレフ空間について論じられ、トーラス上のラプラス的部分的制約と有界領域上の勾配観測を含む。 これらの例は、標準的な非パラメトリックの$n^{-1/4}$からパラメトリックの$n^{-1/2}$まで、学習率の改善の可能性の範囲を示している。 最後に、$\hat u$と$D\hat u$のエラーを共同で制御する強いノルムで物理的に一貫したレートを導出する。

関連論文リスト

• Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
  一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。 スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
  論文  参考訳（メタデータ） (2026-09-07T01:38:41Z)
• Convergence Rate of a Functional Learning Method for Contextual Stochastic Optimization [0.6015898117103067]
  我々は,条件付き予測を共同で推定し,外的目的を最適化する同時学習最適化アルゴリズムを解析する。 我々は,この手法が次数$mathcalObig (1/sqrtNbig)$の収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2026-03-13T14:53:35Z)
• Rényi exponent landscape of multipartite entanglement in free-fermion systems [51.56484100374058]
  我々は、Rényi tripartite information $I_3() が小フェルミ運動量での質的に $exclusion-dependent scaling を示すことを示した。 I_m(n)/I_m(1) sim zm-1 to 0$ for all integer $n geq 2$, so the leading von Neumann signal can builded from integer Rényi data。
  論文  参考訳（メタデータ） (2026-03-09T22:27:00Z)
• On the Intrinsic Dimensions of Data in Kernel Learning [1.675218291152252]
  ラプラスカーネルのようなカーネルの場合、実効次元$d_K$はミンコフスキー次元$d_$よりもかなり小さく、正則領域で証明可能であることを示す。 以上の結果から,Laplaceカーネルのようなカーネルの場合,実効次元$d_K$は,通常のドメインに有するMinkowski次元$d_$よりも著しく小さいことが分かる。
  論文  参考訳（メタデータ） (2026-01-22T17:32:24Z)
• Interplay between depth and width for interpolation in neural ODEs [0.0]
  それらの幅$p$と層遷移数$L$の相互作用について検討する。 高次元設定では、$p=O(N)$ニューロンが正確な制御を達成するのに十分であることを示す。
  論文  参考訳（メタデータ） (2024-01-18T11:32:50Z)
• Statistical Learning under Heterogeneous Distribution Shift [71.8393170225794]
  ground-truth predictor is additive $mathbbE[mathbfz mid mathbfx,mathbfy] = f_star(mathbfx) +g_star(mathbfy)$.
  論文  参考訳（メタデータ） (2023-02-27T16:34:21Z)
• Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
  既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。 我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
  論文  参考訳（メタデータ） (2022-03-18T18:50:52Z)
• Mediated Uncoupled Learning: Learning Functions without Direct Input-output Correspondences [80.95776331769899]
  ペア化されたデータがない場合、$X$から$Y$を予測するタスクを考えます。 単純なアプローチは、$S_X$で$U$から$U$を予測し、$S_Y$で$U$から$Y$を予測することである。 我々は$U$を予測しない新しい方法を提案するが、$f(X)$と$S_X$をトレーニングすることで$Y = f(X)$を直接学習し、$h(U)$を予測する。
  論文  参考訳（メタデータ） (2021-07-16T22:13:29Z)
• Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
  学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
  論文  参考訳（メタデータ） (2020-07-16T06:44:44Z)

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。