論文の概要: Langevin-Informed Transfer Learning: Replacing Target Samples by Black-Box Feedback

• arxiv url: http://arxiv.org/abs/2610.01522v1
• Date: Thu, 01 Oct 2026 11:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.100371
• Title: Langevin-Informed Transfer Learning: Replacing Target Samples by Black-Box Feedback
• Title（参考訳）: Langevin-Informed Transfer Learning: Black-Box フィードバックによるターゲットサンプルの置き換え
• Abstract要約: 本稿では,Langevin-Informed Transfer Learning (LITL)を紹介した。 LITLはターゲット無限小発生器の主スペクトル構造と投影ドリフトを学習する。 ソボレフノルムにおける固有値、固有関数、および予測ドリフト推定に対する有限サンプル保証を確立する。
• 参考スコア（独自算出の注目度）: 25.7152831195057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many scientific and machine learning systems, from molecular dynamics to diffusion models and beyond, are governed by stochastic dynamics with low-dimensional structure, evolving on slow timescales. However, target trajectories, used to identify and interpret such dynamics, are often inaccessible: only biased or static samples that explore the underlying manifold are available. We introduce Langevin-Informed Transfer Learning (LITL), a framework for recovering target Langevin dynamics from biased source samples using only black-box feedback. LITL learns the leading spectral structure of the target infinitesimal generator and the projected drift through Dirichlet representation learning, enabling kinetic reconstruction in spectral form and slow-manifold gradient field estimation. We further introduce a spherical variant well suited to steering normalized latent representations commonly used in learning systems toward desired objectives. We establish finite-sample guarantees for eigenvalue, eigenfunction, and projected drift estimation in Sobolev norms, thereby ensuring generalization of these quantities and their first-order derivatives. Empirically, LITL recovers physical transition timescales from biased molecular simulations, builds kinetic structure from static samples of generative models, reconstructs spherical symmetries of physical systems, and enables post-hoc latent steering of trained neural networks under black-box feedback. Together, these results position spectral operator learning as a practical framework for recovering stochastic dynamics under distribution shift and unlock applications across machine learning and the physical sciences.
• Abstract（参考訳）: 分子動力学から拡散モデルまで、多くの科学的および機械学習システムは、低次元構造を持つ確率力学によって制御され、遅い時間スケールで進化する。 しかし、そのような力学を識別し解釈するために用いられる対象の軌道はしばしばアクセス不能であり、基礎となる多様体を探索するバイアス付きまたは静的な標本のみが利用可能である。 我々は、ブラックボックスフィードバックのみを用いて、バイアスされたソースサンプルからターゲットランゲインダイナミクスを復元するフレームワークであるLangevin-Informed Transfer Learning (LITL)を紹介した。 LITLはディリクレ表現学習を通じてターゲット無限小発生器の主スペクトル構造と投射ドリフトを学習し、スペクトルの運動的再構成とスローマンフォールド勾配場推定を可能にする。 さらに,学習システムで一般的に用いられる正規化潜在表現を,望ましい目的に向けて操るのに適した球形変種を導入する。 我々は、ソボレフノルムにおける固有値、固有関数、投射ドリフト推定に対する有限サンプル保証を確立し、これらの量とその一階微分の一般化を保証する。 経験的に、LITLは偏りのある分子シミュレーションから物理遷移の時間スケールを回復し、生成モデルの静的サンプルから運動構造を構築し、物理系の球面対称性を再構築し、ブラックボックスフィードバックの下でトレーニングされたニューラルネットワークのホット後の潜時ステアリングを可能にする。 これらの結果と合わせて、スペクトル演算子学習は、分布シフトの下で確率力学を回復し、機械学習や物理科学にまたがる応用を解き放つための実践的な枠組みとして位置づけられる。

関連論文リスト

• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Spectral phase transitions and trainability in neural network learning dynamics [0.0]
  トレーニング中のニューラルネットワーク重量行列のスペクトルにおける低次元構造の出現について検討した。 この結果から,スペクトル解析が学習力学の統一的な視点を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-26T18:00:01Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [4.5211402678313135]
  LD-FPGの学習潜在空間内でのダイナミクスをシミュレーションするモジュールコンポーネントであるGraph Latent Dynamics Propagator (GLDP)を紹介する。 我々は,スコア誘導ランゲヴィン力学,(ii)クープマンに基づく線形作用素,(iii)自己回帰ニューラルネットワークの3種類のプロパゲータを比較した。 統合エンコーダ・プロパゲータ・デコーダ・フレームワーク内では、長い水平安定性、バックボーンとサイドチェーンのアンサンブルの忠実さ、機能的自由エネルギーの景観を評価する。
  論文  参考訳（メタデータ） (2025-09-02T11:09:06Z)
• Generating Full-field Evolution of Physical Dynamics from Irregular Sparse Observations [26.873329262722024]
  不規則なスパース観測から物理力学のフルフィールド進化を生成する新しいフレームワークである関数タッカー空間における逐次拡散について述べる。 本研究では, 復元精度と計算効率の両面で, 最先端の手法と比較して有意な改善が認められた。
  論文  参考訳（メタデータ） (2025-05-14T11:09:15Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)

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。