論文の概要: A Physics-Informed Hybrid Forward-Inverse Machine Learning Framework for High-Dimensional Sparse Recipe Reconstruction

• arxiv url: http://arxiv.org/abs/2610.14097v1
• Date: Thu, 08 Oct 2026 19:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:17:54.393475
• Title: A Physics-Informed Hybrid Forward-Inverse Machine Learning Framework for High-Dimensional Sparse Recipe Reconstruction
• Title（参考訳）: 高次元スパースレシピ再構成のための物理インフォーム型ハイブリッドフォワード逆機械学習フレームワーク
• Abstract要約: スペクトルのみの機能を持つヒストグラムグラディエントブースティング(HGB)は、レシピ処理機能で他の構成よりも優れている。 スペクトルのみの機能を持つヒストグラムグラディエントブースティング(HGB)は、フォワード品質モデルでは0.1655と0.1523のアウト・オブ・フォールドMAEで他の構成よりも優れている。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional sparse recipe formulation in process industries involves nonlinear association of various covariates, bounded by sparsity constraints and multi-criteria tolerances. Traditional physics-based classical methods (such as Kubelka-Munk) fail to generate sparse candidate recipes properly due to their simplified assumptions and industrial process variations. This study proposes a hybrid physics-informed uncertainty-aware framework that is structured into three modules: (a) Module A, a multi-target forward quality model; (b) Module B, a sparse inverse reconstructor; and (c) Module C, a feasibility-constrained ranking layer. Then it has been validated in an industrial textile dyeing context with recipe-grouped cross-validation under multi-illuminant quality assessment comprising process and production information, target reflectance, K/S values, and spectral descriptors. Histogram Gradient Boosting (HGB) with spectral-only features ($R_λ$, K/S) and Gradient Boosting Regressor (GBDT) with recipe-process features outperforms other configurations with out-of-Fold MAE of 0.1655 and 0.1523 in the forward quality model. For inverse reconstruction, a component-wise median blend achieved a recipe-vector MAE of 0.0295. Exploratory conditional treatment effect (CATE) suggests an observational association that alkali adjustment reduces error for red and pale shades (CATE = -0.196). This framework provides a human-in-the-loop decision-support tool that minimizes costly laboratory trials across industrial formulation domains.
• Abstract（参考訳）: プロセス産業におけるスパースレシピの高次元定式化には様々な共変量の非線形な関連が伴う。 伝統的な物理学に基づく古典的手法(例えばクベルカ・マンク)は、単純化された仮定と工業的プロセスのバリエーションのためにスパース候補のレシピを適切に生成できない。 本研究では,3つのモジュールに構成された物理インフォームド不確実性を考慮したハイブリッドフレームワークを提案する。 (a)モジュールA、多目的前方品質モデル b)モジュールB,スパース逆コンストラクタ,及び (c)モジュールCは、実現可能性に制約のあるランキング層である。 そして, プロセスおよび製造情報, ターゲット反射率, K/S値, スペクトル記述子を含む多照度品質評価の下で, 製法群クロスバリデーションによる工業用染料染色条件で検証した。 Histogram Gradient Boosting (HGB) スペクトルのみの機能 (R_λ$, K/S) とレシピ処理機能を備えた Gradient Boosting Regressor (GBDT) は、フォワード品質モデルで0.1655および0.1523のアウト・オブ・フォールMAEで、他の構成よりも優れています。 逆再構成では, レシピベクターMAEは0.0295。 探索的条件処理効果(CATE)は、アルカリ調整が赤と青の陰(CATE = -0.196)の誤差を減少させるという観察上の関連性を示している。 このフレームワークは、産業用定式化ドメイン間のコストのかかる実験実験を最小化するための、人手による意思決定支援ツールを提供する。

関連論文リスト

• SAGG: Sample-Adaptive Gradient Gating for Robust Multimodal Learning under Heterogeneous Corruption [16.856453018275467]
  サンプルレベルのオール・オー・ナッシング・ゲーティングは、自然分布自由推定器クラスにおけるユニークな非バイアスの戦略であることを示す。 オンライン機能ノルム品質テストにより,サンプル毎に2値保持・破棄判定を行うサンプル適応型グラディエントゲーティング(SAGG)を提案する。 ガウスノイズインジェクションによるKineetics-SoundsとUCF-101の実験は、SAGGが既存の10の手法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） (2026-07-30T09:24:40Z)
• Spectroscopy Analysis with Machine Learning Regression for the Quantification of Carbon and Nitrogen Contents in Inceptisol and Oxisol Soil Types: Comparing Different Preprocessing and Validation methods as well as Feature Importance [0.35971250637104313]
  近赤外分光法(NIR)は、従来の土壌分析法に代わる有望な方法として出現している。 本研究は,OxisolsおよびInceptisolsにおける炭素(C)および窒素(N)含有量の予測モデルを校正するための機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2026-07-01T11:54:44Z)
• CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
  CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。 この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
  論文  参考訳（メタデータ） (2026-03-09T07:15:23Z)
• Confusion-Aware Rubric Optimization for LLM-based Automated Grading [31.353360036776976]
  本稿では,精度と計算効率を向上させる新しいフレームワークであるConfusion-Aware Optimization (CARO)を紹介する。 CAROはモノリシックなエラー信号を異なるモードに分解し、明確な診断と特定の誤分類パターンの修復を可能にする。 以上の結果から,複合エラー集約を外科的,モード特異的な修復に置き換えることにより,自動評価のスケーラビリティと精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-02-28T04:17:12Z)
• Diffusion Fine-Tuning via Reparameterized Policy Gradient of the Soft Q-Function [25.182340618001792]
  拡散モデルは高濃度のサンプルを生成するのに優れるが、しばしば下流の目的と整合する必要がある。 拡散アライメントのための新しいKL正規化RL法である textbfSoft Q-based Diffusion Finetuning (SQDF) を提案する。 SQDFはテキストと画像のアライメントの多様性を維持しながら、優れた目標報酬を達成する。
  論文  参考訳（メタデータ） (2025-12-04T08:21:52Z)
• Beyond Linearity: Squeeze-and-Recalibrate Blocks for Few-Shot Whole Slide Image Classification [35.6247241174615]
  Squeeze-and-Recalibrate (SR) ブロックを提案する。 SRブロックが任意の精度で任意の線形写像を近似できることを理論的に保証する。 我々のSR-MILモデルは、パラメータが大幅に少なく、アーキテクチャ上の変更も不要ながら、先行メソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-05-21T13:24:47Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Language Models as Zero-shot Lossless Gradient Compressors: Towards General Neural Parameter Prior Models [56.00251589760559]
  大型言語モデル(LLM)はゼロショット設定でグラデーション先行として振る舞うことができる。 本稿では,LSMと算術符号を統合する新しい手法であるLM-GCを紹介する。 実験により、LM-GCは既存の最先端のロスレス圧縮手法を超越していることが示された。
  論文  参考訳（メタデータ） (2024-09-26T13:38:33Z)
• Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
  滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。 提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
  論文  参考訳（メタデータ） (2022-02-26T19:10:48Z)

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。