論文の概要: Tangent Schrödinger Bridge Matching: Learning Stochastic Transport with Mechanistic Sensitivities
- arxiv url: http://arxiv.org/abs/2610.02906v1
- Date: Fri, 02 Oct 2026 06:56:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 09:54:32.241834
- Title: Tangent Schrödinger Bridge Matching: Learning Stochastic Transport with Mechanistic Sensitivities
- Title（参考訳）: タンジェントシュレーディンガー橋の整合性:機械的感度による確率的輸送の学習
- Abstract要約: 本稿では,タンジェント・シュルディンガー・ブリッジマッチング(Tangent Schrdinger Bridge Matching, Tangent-SBM)を紹介する。
Tangent-SBMは、一致した条件付きブリッジに対する感度と有限変化予測を改善し、同等のエンドポイントと分布精度を維持している。
- 参考スコア（独自算出の注目度）: 5.550803472755605
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Predicting how stochastic systems respond to changes in viscosity, reaction rates, or external forces requires costly simulations, motivating reusable learned models. Yet matching observed outcome distributions does not ensure accurate intervention responses. We introduce Tangent Schrödinger Bridge Matching (Tangent-SBM), which learns stochastic transports from endpoint observations and mechanistic sensitivities. It propagates parameter derivatives alongside trajectories and supervises them against supplied targets. For average-response targets, single-rollout squared error also penalizes response variability; our objective uses two independent rollouts to match the mean without this additional penalty. We establish conditions under which sensitivity accuracy bounds finite-change prediction error and decision regret. Across Gaussian, stochastic double-well, PDEBench reaction--diffusion, and stochastic Navier--Stokes systems, Tangent-SBM improves sensitivity and finite-change prediction over matched conditional-bridge baselines while maintaining comparable endpoint and distributional accuracy. Controls examine target correctness, response objectives, and simulator-budget allocation. To test decision usefulness, we evaluate calibrated viscosity selection in Navier--Stokes: Tangent-SBM reduces tracking error relative to taking no action on every evaluated task.
- Abstract（参考訳）: 粘度、反応速度、または外部力の変化に対する確率的なシステムがどう反応するかを予測するには、コストのかかるシミュレーションが必要で、再利用可能な学習モデルを動機付けます。
しかし、観測結果の分布が一致しても、正確な介入反応は保証されない。
本稿では,タンジェント・シュレーディンガー橋マッチング(Tangent Schrödinger Bridge Matching, SBM)を紹介する。
パラメータデリバティブをトラジェクトリと共に伝播し、供給されたターゲットに対してそれらを監督する。
平均応答ターゲットに対しては、単一ロールアウトの2乗誤差も応答のばらつきを罰し、この追加的なペナルティなしで平均に一致するように2つの独立したロールアウトを使用する。
感度精度が有限変化予測誤差と決定後悔を束縛する条件を確立する。
ガウス系、確率的二重井戸、PDEBench反応拡散系、確率的ナビエ-ストークス系全体において、Tangent-SBMは一致した条件付きブリッジベースラインに対する感度と有限変化予測を改善しつつ、同等の終点と分布精度を維持する。
制御はターゲットの正当性、応答目標、シミュレータ・予算配分を調べる。
Navier-Stokes: Tangent-SBMは, 評価されたタスクに対して, アクションを取らずに追従誤差を低減する。
関連論文リスト
- Optimal Transport Dropout for Structured Predictive Uncertainty [3.668981673085598]
本稿では,予測写像と潜伏摂動の法則を共同で学習する最適輸送降下機について紹介する。
OTDはより正確な予測と、より良く校正され、かなり狭い間隔を得る。
これは、独立に訓練された予測者の明示的な後部推論やアンサンブルなしに、構造化された予測の不確実性を学ぶ方法を提供する。
論文 参考訳（メタデータ） (2026-09-27T09:00:29Z) - Conformal Bayes under Continuous Label Shift: Sensitivity Analysis and the Limits of Exact Validity [0.6599344783327052]
コンフォーマルベイズは、後続の予測スコアと共形校正を組み合わせる。
既定の可塑性傾きに対して感度解析を行うJTS-CB(Joint Tilt-Sensitivity Conformal Bayes)を提案する。
論文 参考訳（メタデータ） (2026-08-24T06:00:53Z) - Smoothness-Based Derandomization of PAC-Bayes Bounds [48.06655334157014]
滑らかな損失関数に対するPAC-Bayesデランドマイゼーションについて検討した。
我々は,ギブス予測器から後方平均における決定論的予測器への非有界通過に正確なコストがかかることを示した。
結果は線形予測器やスムーズなニューラルネットワークに特化する。
論文 参考訳（メタデータ） (2026-06-17T14:17:44Z) - Guided Flow Matching for Forward and Inverse PDE Problems with Sparse Observations: Algorithm and Theory [2.148615003900331]
PDE係数の結合分布を学習するフローマッチング生成フレームワークFM4PDEを提案する。
静的および時間依存型ベンチマークPDEの実験では、拡散に基づく生成モデルよりも競合精度と高速な推論が示されている。
論文 参考訳（メタデータ） (2026-05-25T07:14:11Z) - TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models [4.9352098965615]
多次元出力に対して有効な情報領域を構築する方法について検討する。
交通路の速度や誤差を平均化することにより,候補出力が学習した生成力学とどの程度一致しているかを計測する。
結果として得られるトランスポートベースのスコアはスカラー値であり、共形予測分割を用いて校正することができる。
論文 参考訳（メタデータ） (2026-05-08T01:28:57Z) - Variational Neural Belief Parameterizations for Robust Dexterous Grasping under Multimodal Uncertainty [5.4872967954342675]
リスクに敏感なPOMDPは、スケールの低さ、勾配に基づく最適化、条件付き値-アット・リスクの推定といった粒子フィルタの信念を使用する。
代わりに、潜在接触パラメータとオブジェクトのポーズに対する変分推論として把握獲得を定式化し、微分可能なガウス混合による信念を表現する。
論文 参考訳（メタデータ） (2026-04-28T17:40:49Z) - Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。
次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。
ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
論文 参考訳（メタデータ） (2025-09-29T12:15:52Z) - Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians [60.22542847840578]
敵対的機械学習の進歩にもかかわらず、敵対者の存在下でのガウスモデルに対する推論は特に過小評価されている。
我々は,意思決定者の条件推論とその後の行動の妨害を希望する自己関心のある攻撃者について,一組の明らかな変数を乱すことで検討する。
検出を避けるため、攻撃者は、破損した証拠の密度によって可否が決定される場合に、攻撃が可否を示すことを望んでいる。
論文 参考訳（メタデータ） (2024-11-21T17:46:55Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Target Networks and Over-parameterization Stabilize Off-policy Bootstrapping with Function Approximation [46.48569176651487]
オフ・プライシ・データにおいても,ブートストラップ値推定の収束条件が弱くなることを証明する。
計算結果をトラジェクトリによる学習に拡張し、小さな修正を施した全てのタスクに対して収束が達成可能であることを示す。
論文 参考訳（メタデータ） (2024-05-31T17:36:16Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z)
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。