論文の概要: Cross-Material Support Transfer for Core-Loss Prediction Under Waveform Covariate Shift

• arxiv url: http://arxiv.org/abs/2609.31659v1
• Date: Tue, 15 Sep 2026 05:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:09:44.725864
• Title: Cross-Material Support Transfer for Core-Loss Prediction Under Waveform Covariate Shift
• Title（参考訳）: 波形共変量シフト下でのコアロス予測のためのクロスマトリカルサポート転送
• Abstract要約: パワー磁気材料は、励起ハードウェアが都合よく生成する正弦波および三角形の波形に特徴付けられる。 デプロイされたコンバータは、コアを台形、台形のフラックス軌跡に公開する。 MagNet Challengeの最終テストは、このキャラクタリゼーション/デプロイミスマッチの故意に極端な事例を埋め込んだものだ。
• 参考スコア（独自算出の注目度）: 22.369771770664702
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Power magnetic materials are characterized on the sinusoidal and triangular waveforms that excitation hardware conveniently produces, whereas deployed converters expose cores to trapezoidal, PWM-shaped flux trajectories, so loss models must predict exactly where their training data are thinnest. The final test of the MagNet Challenge embeds a deliberately extreme instance of this characterization-deployment mismatch: for material D, trapezoids form 16.4% of the test set but only 1.4% of the training set. The 95th-percentile relative error, hereafter p95, of the best submission, built on sequential transfer learning, stalled at 15.9%, the worst among the five materials. This paper shows that the obstacle is missing information under covariate shift rather than class imbalance, and that the missing support can be borrowed from sibling materials instead of being extrapolated. Controlled experiments first refute the imbalance reading: four standard remedies fail, and raising the trapezoidal share to the test-set level degrades accuracy further. The proposed material-identity support transfer, MIST, then trains one 2784-parameter predictor jointly on all five challenge materials. Material identity enters through feature-wise linear modulation, or FiLM, the scarce material's true-label loss is reweighted, and material D receives no fine-tuning, so that the bias of its trapezoid-free training set is never re-installed. MIST lowers the five-seed material-D p95 from 20.39+/-2.03% to 12.38+/-0.92% and the trapezoidal-class p95 from 37.4+/-8.8% to 15.16+/-1.69%, surpassing the best submission with one-sixth of its parameters and no fine-tuning stage; removing material identity at matched capacity inflates the error by an order of magnitude. These results argue that scarce materials should be characterized jointly with their siblings.
• Abstract（参考訳）: パワー磁気材料は、励起ハードウェアが都合よく生成する正弦波および三角形の波形に特徴付けられるが、一方、展開されたコンバータはコアをPWM型の磁束軌道に露出させるため、損失モデルはトレーニングデータが薄い場所を正確に予測する必要がある。 MagNet Challengeの最終テストでは、この特徴/デプロイミスマッチの故意に極端な例が組み込まれている:材料Dでは、タペソイドはテストセットの16.4%を形成するが、トレーニングセットの1.4%しか形成していない。 95番目の相対誤差であるp95は、シーケンシャル・トランスファー・ラーニング(シーケンシャル・トランスファー・ラーニング)に基づいて構築され、5つの材料の中で最悪の15.9%で停止した。 本報告では, クラス不均衡よりも共変量シフトによる情報の欠落が指摘され, 補間されることなく, 兄弟物質から補間支援を借用できることが示唆された。 4つの標準治療が失敗し、テストセットレベルへのタペソジカルな共有がさらに精度を低下させる。 提案された物質識別支援トランスファー(MIST)は、5つの挑戦材料全てで2784パラメータ予測器を共同で訓練する。 材料アイデンティティーは機能的線形変調(FiLM)によって入力され、不足する材料の真のラベル損失は再重み付けされ、材料Dは微調整を受けないので、その台形のないトレーニングセットのバイアスは再インストールされない。 MISTは5シードの材料-D p95を20.39+/-2.03%から12.38+/-0.92%に、台座型p95を37.4+/-8.8%から15.16+/-1.69%に下げ、パラメータの6分の1と微調整の段階を越した。 これらの結果から, 貴重品は兄弟姉妹と共同で特徴付けるべきであると推察された。

関連論文リスト

• Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
  我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。 5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。 アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
  論文  参考訳（メタデータ） (2026-09-30T16:40:22Z)
• Baseline Shape Decides the Verdict: A Controlled Re-Examination of Ternary Language Models at 60K Parameters [0.0]
  経路3次ブロックがパラメータマッチングされた完全精度変圧器を22%の60Kパラメータで打ち負かすことを示す。 私たちはそれを、1つの固定されたレシピ、セルごとに3つの種、98バイトレベルのラップトップで再実行します。
  論文  参考訳（メタデータ） (2026-09-24T11:24:05Z)
• CAHR-Net: Condition-Adaptive Hysteresis Reconstruction for Compact and Interpretable Magnetic Core Loss Modeling [22.369771770664702]
  本稿では,動作する動作条件を注入する条件適応型再構成ネットワークCAHR-Netを提案する。 解釈可能な鎖をフラックス密度波形から磁場再構成、ループ領域積分、電力損失推定まで保持する。 また,AdamWをベースとした大規模バッチトレーニングプロトコル,コサインスケジューリング,段階的再構築・パワーロス目標についても報告する。
  論文  参考訳（メタデータ） (2026-09-02T01:54:49Z)
• On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
  Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。 トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
  論文  参考訳（メタデータ） (2026-08-31T06:35:07Z)
• QuaSAR: Quantization Compensation via Stable Activation-Aware Rank Truncation [0.0]
  閉形残差補償によるモデル精度の復元 低ビットW4A4設定では、このゲーティング機構は数値解法故障と予測不可能な量子化誤差を区別できない。 逆転前の崩壊方向を除去するパラメータフリーな逆解法を提案する。
  論文  参考訳（メタデータ） (2026-08-14T10:00:36Z)
• Automated Proving of Shannon-Type Entropy Inequalities via Fine-Tuned Language Models and Guided Tree Search [50.16356451328644]
  シャノン型エントロピーの不等式を証明することは情報理論の基本的な課題である。 我々は,原子実証のステップを微調整した小規模大規模言語モデルがこのプロセスを自動化することができるか検討する。 GPT-5.5は0ショットプロンプトで1.7%のサンプルを解き、Psitipは33.3%のサンプルを解いた。
  論文  参考訳（メタデータ） (2026-06-04T05:43:12Z)
• TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
  テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。 TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
  論文  参考訳（メタデータ） (2026-04-21T10:01:04Z)
• Proof-Carrying Materials: Falsifiable Safety Certificates for Machine-Learned Interatomic Potentials [0.0]
  安定フィルタとして用いられる1つのMLIPは、25,000の材料ベンチマークにおいて密度汎関数安定材料のうち93%を欠いていることを示す。 我々は,PCM(Proof-Carrying Materials)がこのギャップを,空間横断の対角的ファルシフィケーション,95%の信頼区間による構成封筒の洗練,Lean 4の正式な認証の3段階で埋めることを示した。 熱電スクリーニングのケーススタディでは、PCMが監査したプロトコルが、シングルMLIPスクリーニングで欠落した62の安定物質を発見し、発見効率は25%向上した。
  論文  参考訳（メタデータ） (2026-03-12T17:13:25Z)
• (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
  逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。 これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
  論文  参考訳（メタデータ） (2022-06-21T17:27:27Z)

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。