論文の概要: ProtocolMatch: Protocol-Dependent Model Selection for Scientific Dynamics Forecasting

• arxiv url: http://arxiv.org/abs/2610.10239v1
• Date: Wed, 07 Oct 2026 15:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.991347
• Title: ProtocolMatch: Protocol-Dependent Model Selection for Scientific Dynamics Forecasting
• Title（参考訳）: ProtocolMatch:科学ダイナミクス予測のためのプロトコル依存モデル選択
• Abstract要約: プロトコルに依存したモデル選択を定式化し、計算マッチング、バリデーション選択、フェール保存評価フレームワークであるProtocolMatchを導入する。 駆動量子スピン力学では、3つの独立に生成されたデータセットに対して、繰り返し、パッチ付きアテンション、因果アテンション、低ランク線形予測器を比較する。
• 参考スコア（独自算出の注目度）: 46.122203287541005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific dynamics forecasting is often framed as an architecture choice, although deployment is also determined by observed history, rollout feedback, compute budget, physical objective, and test distribution. We formulate protocol-dependent model selection and introduce ProtocolMatch, a compute-matched, validation-selected, and failure-preserving evaluation framework. On driven quantum-spin dynamics, we compare recurrent, patched-attention, causal-attention, and low-rank linear predictors across three independently generated datasets. The causal-attention--recurrence ordering reverses as the training set grows within a fixed two-spin task, while a linear predictor has the lowest mean error in the six-spin local-observable comparison. Restricting observed history worsens every refreshed-history view but improves every closed-loop view in the four-spin study. A latest-state MLP has lower error than persistence on every dataset under state refresh across all five cells, yet its closed-loop rank varies by system and includes finite explosive errors. Physical penalties improve targeted consistency without reliably improving prediction error, and in-distribution intervals lose most coverage after a driving-frequency shift. Thus scientific model selection should return a predictor with its protocol and report accuracy, physical validity, and shifted-distribution reliability separately.
• Abstract（参考訳）: 科学的ダイナミクス予測は、しばしばアーキテクチャの選択として扱われるが、デプロイメントは、観測された履歴、ロールアウトフィードバック、計算予算、物理的目的、およびテスト分布によって決定される。 プロトコルに依存したモデル選択を定式化し、計算マッチング、バリデーション選択、フェール保存評価フレームワークであるProtocolMatchを導入する。 駆動量子スピン力学では、3つの独立に生成されたデータセットに対して、繰り返し、パッチ付きアテンション、因果アテンション、低ランク線形予測器を比較する。 トレーニングセットが固定された2スピンタスク内で成長するにつれて、因果-アテンション-リカレンス順序が逆になる一方、線形予測器は6スピンローカル-オブザーバブル比較において最低平均誤差を持つ。 観察履歴の制限は、更新された歴史ビューを全て悪化させるが、4つのスピン研究でクローズドループビューを改善させる。 最新の状態 MLP は、すべての5つのセルで状態リフレッシュされた全てのデータセットの永続性よりも低い誤差を持つが、クローズループのランクはシステムによって異なり、有限の爆発的エラーを含む。 物理的罰則は、予測誤差を確実に改善することなく目標整合性を改善し、運転周波数シフト後、分配間隔は殆どのカバレッジを失う。 したがって、科学的モデル選択はそのプロトコルで予測器を返却し、精度、物理的妥当性、シフト分布信頼性を別々に報告すべきである。

関連論文リスト

• Better Behavioral Prediction, More Faithful Model Ablations? Evidence from Sequential Choice [0.2538209532048867]
  認知を説明するために予測モデルを使用するには、正確な行動予測以上のものが必要である。 入力アブレーションは、モデルから情報を取り除き、結果のパフォーマンス変化を行動の重要性の証拠として解釈する、魅力的なルートを提供する。 我々は、既知の生成ポリシーを持つ2つの合成逐次バンディットタスクでテストする。
  論文  参考訳（メタデータ） (2026-09-28T18:38:49Z)
• Online Supervised Dimension Reduction with Random Features: Diagnostics and Computational Trade-offs [3.7044133020722954]
  Online Kernel Supervised principal Component Analysis (OKSPCA)は、有限乱数係数座標における中心となるクロスモーメントと、確立された目的に対するAdamスタイルの正則基底更新を組み合わせたものである。 有限乱数係数座標における中心的クロスモーメントと、確立された目的に対するAdamスタイルの正規直交基底更新を組み合わせたOKSPCAについて、これらの区別について検討する。
  論文  参考訳（メタデータ） (2026-09-17T14:19:29Z)
• TS-Fault: Benchmarking Time Series Forecasters Against Structural Faults [22.88447833683736]
  時系列予測(TSF)は、エネルギー、輸送、金融、医療の連続的な決定を支えている。 TSFモデルは、デプロイされた信頼性を予測するという暗黙の仮定の下で、クリーンなホールトアウトデータ上の1つの数でほぼ普遍的にランク付けされる。 TS-Faultは、制御可能な意味的難易度を持つ明示的でパラメータ化された障害シナリオの下で予測モデルを評価するベンチマークである。
  論文  参考訳（メタデータ） (2026-06-16T23:15:20Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design [56.86533144730384]
  本稿では,トレーニングデータとテストデータが統計的に依存した環境での予測不確実性を定量化する手法を提案する。 モチベーション・ユースケースとして,本手法が設計したタンパク質の適合性予測の不確かさを定量化する方法を実データで示す。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。