論文の概要: Provenance-grouped protocol for evaluating machine learning in perovskite photovoltaics

• arxiv url: http://arxiv.org/abs/2610.12766v1
• Date: Thu, 08 Oct 2026 22:17:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.299102
• Title: Provenance-grouped protocol for evaluating machine learning in perovskite photovoltaics
• Title（参考訳）: ペロブスカイト型太陽光発電における機械学習評価プロトコル
• Abstract要約: ペロブスカイト太陽電池の機械学習モデルは、通常ランダムなデータ分割を用いて評価される。 我々は大規模な内部複製を通して情報を体系的に漏洩することを示す。 我々は,ペロブスカイトデータベースの制度的証明を地図化し,グループ分割の厳密な階層を確立した。
• 参考スコア（独自算出の注目度）: 0.8092815324198175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning models for perovskite solar cells are typically evaluated using random data splits, which we show systematically leak information through massive internal duplication. Because nearly two-thirds of curated devices share their exact recipe with another, random splits primarily reward the mere recall of historical data rather than testing true physical generalisation. To solve this, we mapped the institutional provenance of the Perovskite Database and established a rigorous hierarchy of grouped splits that progressively isolate duplicate devices, publications, and institutions. Benchmarking thirteen models establishes new state-of-the-art performance across all splits and reveals a critical regime shift: while tree ensembles dominate random splits by recognising familiar recipes, their ranking collapses on genuinely unseen institutions and future discoveries, where composition-aware neural architectures excel. Furthermore, feature importance demonstrates that the device architecture and fabrication methodology dictate final efficiency just as strongly as the absorber chemistry. This standardised protocol empowers the community to separate memorisation from true physical discovery.
• Abstract（参考訳）: ペロブスカイト型太陽電池の機械学習モデルは、通常ランダムなデータ分割を用いて評価される。 キュレートされたデバイスの3分の2近くが正確なレシピを他のデバイスと共有しているため、ランダムな分割は物理的な一般化をテストするのではなく、単に過去のデータを思い出させるだけである。 そこで我々は,ペロブスカイトデータベースの制度的証明を地図化し,集団分割の厳密な階層を確立し,複製装置,出版物,機関を段階的に分離した。 木アンサンブルは、慣れ親しんだレシピを認識することによってランダムな分割を独占する一方で、それらのランキングは、合成を意識したニューラルアーキテクチャが優れている真に目に見えない施設や将来の発見に崩壊する。 さらに, デバイスアーキテクチャと製造手法は, 吸収剤化学と同様に, 最終効率を強く規定することを示す。 この標準化されたプロトコルにより、コミュニティは記憶を真の物理的発見から切り離すことができる。

関連論文リスト

• Towards Diverse and Comprehensive Benchmarks for Mutual Information Estimation [47.29900218955283]
  相互情報推定は、機械学習と統計学における中心的な問題である。 既存のベンチマークでは、単純化された低次元分布上の推定器を評価し、複雑な現実的なデータに対する性能はほとんど探索されていない。 我々はこのギャップを、統一されたコプラ理論の観点から、包括的なベンチマークフレームワークで解決する。
  論文  参考訳（メタデータ） (2026-07-03T16:55:55Z)
• Beyond Holistic Models: Systematic Component-level Benchmarking of Deep Multivariate Time-Series Forecasting [38.12202305030755]
  我々は,深部予測手法をそのコアとなる微細なコンポーネントに体系的に分解する,最初の大規模ベンチマークであるTSCOMPを提案する。 我々は、異なるバックボーン、データ特性、およびそれらの相互作用におけるコンポーネントの有効性を明らかにする多視点分析を行う。 実験の結果,コーパス駆動型アプローチは最先端手法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2026-05-26T05:18:38Z)
• Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization [0.0]
  本稿では,分散化学プロセス最適化のためのプライバシ保護フェデレーション学習フレームワークを提案する。 各プラントは、独自の時系列センサーデータを使用して、ニューラルネットワークベースのプロセスモデルをローカルにトレーニングする。 モデルパラメータのみがセキュアアグリゲーション機構を介して中央アグリゲーションサーバに送信される。
  論文  参考訳（メタデータ） (2026-04-28T19:26:43Z)
• Social Hippocampus Memory Learning [54.381608978482184]
  SoHipはメモリ中心のソーシャル機械学習フレームワークだ。 モデル共有ではなく、メモリ共有を通じて異種エージェント間の協調を可能にする。 7つのベースラインを持つ2つのベンチマークデータセットの実験は、SoHipが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-26T16:31:00Z)
• A Reproducible Framework for Bias-Resistant Machine Learning on Small-Sample Neuroimaging Data [1.2287733479434337]
  我々は、ドメインインフォームドな特徴工学、ネストされたクロスバリデーション、小サンプルのニューロイメージングデータに対する調整された決定閾値最適化を統合した再現可能な、バイアス耐性の機械学習フレームワークを導入する。 この研究は、解釈可能性と偏見のない評価を組み合わせることで、データ限定バイオメディカル領域における信頼性の高い機械学習のための一般化可能な計算ブループリントを提供する。
  論文  参考訳（メタデータ） (2026-02-02T23:47:57Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。 この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• Scalable Federated Unlearning via Isolated and Coded Sharding [76.12847512410767]
  フェデレートされたアンラーニングは、クライアントレベルのデータエフェクトを削除するための有望なパラダイムとして登場した。 本稿では,分散シャーディングと符号化コンピューティングに基づく,スケーラブルなフェデレーション・アンラーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T08:41:45Z)
• Rethinking Architecture Design for Tackling Data Heterogeneity in Federated Learning [53.73083199055093]
  注意に基づくアーキテクチャ(例えばTransformers)は、分散シフトに対してかなり堅牢であることを示す。 我々の実験は、畳み込みネットワークをトランスフォーマーに置き換えることによって、過去のデバイスを壊滅的に忘れることを大幅に減らせることを示した。
  論文  参考訳（メタデータ） (2021-06-10T21:04:18Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)

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。