論文の概要: Characterizing and Mitigating Distributional Bias in Physics-Informed Generative Models

• arxiv url: http://arxiv.org/abs/2610.16582v1
• Date: Mon, 12 Oct 2026 11:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:25:36.732946
• Title: Characterizing and Mitigating Distributional Bias in Physics-Informed Generative Models
• Title（参考訳）: 物理インフォームド生成モデルにおける分布バイアスの特性と緩和
• Abstract要約: 生成モデルは、物理制約が生成されたサンプルを保持することを奨励する残刑でデータ適合の目標を増大させる。 残差正規化拡散モデルにおいて、この衝突について検討し、2つの可能性について検討する。 本研究では, クリーントレーニングサンプルにおける残留ヤコビアンによる予測誤差を重み付けし, 結果の大きさを正規化するデータアンコール式ペナルティを提案する。
• 参考スコア（独自算出の注目度）: 19.741742157466888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed generative models augment a data-fitting objective with residual penalties that encourage physical constraints to hold in generated samples. However, improving constraint satisfaction need not improve fidelity to the data distribution. We study this conflict in residual-regularized diffusion models and identify two possible consequences. First, the same prediction error can incur different residual costs near different feasible states, preferring states with lower residual sensitivity (avoidance). Second, this preference can extend to feasible states outside the data support, where the residual also vanishes (leakage). Motivated by this analysis, we propose a data-anchored penalty that weights prediction errors by the residual Jacobian at the clean training sample and normalizes the resulting magnitude. This removes the incentive to relocate to less sensitive states without changing the model architecture or sampling procedure. Experiments on a controlled synthetic system, three PDE systems, and molecular transition-state generation with flow matching demonstrate the benefits of anchoring. Code is available at https://github.com/TanjaBien/anchored_diffusion.
• Abstract（参考訳）: 物理インフォームド生成モデルは、物理制約が生成されたサンプルを保持することを奨励する残刑でデータ適合の目標を増大させる。 しかし、制約満足度の改善は、データ分布の忠実性を改善する必要はない。 残差正規化拡散モデルにおいて、この衝突について検討し、2つの可能性について検討する。 第一に、同じ予測誤差は異なる実現可能な状態の近くで異なる残留コストを発生させ、低い残留感度(回避)を持つ状態を好む。 第二に、この嗜好はデータサポートの外で実現可能な状態にまで拡張することができる。 本研究では, クリーントレーニングサンプルにおける残留ヤコビアンによる予測誤差を重み付けし, 結果の大きさを正規化するデータアンコール式ペナルティを提案する。 これにより、モデルアーキテクチャやサンプリング手順を変更することなく、より感度の低い状態に移行するインセンティブが取り除かれる。 制御された合成システム、3つのPDEシステム、フローマッチングによる分子遷移状態生成の実験は、アンカーの利点を示している。 コードはhttps://github.com/TanjaBien/anchored_diffusion.comで入手できる。

関連論文リスト

• EnJoi: Ensemble Joint Score Filter for Generative Data Assimilation [12.203679037551938]
  データ同化(Data Assimilation)は、部分的にのみ観察される動的システムの完全な状態を回復することを目的としている。 本研究では,現在状態の信頼性と新たな観測値のバランスをとる拡散型同化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-09-28T16:28:26Z)
• Pseudorandom Streams within Diffusion Models Act as Learnable Inputs That Affect Generation Quality [0.0]
  拡散モデルは決定論的入力に依存するが、有限精度のハードウェアでは、それらが消費する「ランダム性」は擬似ランダム規則によって生成される数値軌道として実現される。 実効損失と勾配は、各最適化ステップで消費される具体的な擬似ランダム値に依存するため、アクセス可能な軌道構造が学習可能な入力となり、トレーニングと生成の両方に影響を与えることが示される。
  論文  参考訳（メタデータ） (2026-08-03T17:50:54Z)
• Uncertainty-based Debiasing and Unlearning for Decontamination [12.593872705071114]
  不確実性に基づく除染(UBD)は、汚染されたモデルやサンプルが汚染された知識を必要とせず、サンプルごとの記憶を推定する。 UBDは、パラフレーズや選択置換ベースラインよりも、汚染されていないモデルの出力分布にかなり近いサンプル単位の出力分布を生成する。
  論文  参考訳（メタデータ） (2026-06-22T13:26:29Z)
• Data Enrichment for Symbolic Regression Using Diffusion Models [4.817429789586127]
  SRモデルに対する物理誘導型潜在流動性拡散フレームワークを提案する。 本研究では, 熱伝導, 非圧縮性ナビエ・ストークス流, 移動単質量ニュートン重力ポテンシャルについて検討した。
  論文  参考訳（メタデータ） (2026-05-31T04:03:32Z)
• Which Layer Causes Distribution Deviation? Entropy-Guided Adaptive Pruning for Diffusion and Flow Models [77.55829017952728]
  EntPrunerは、拡散およびフローモデルのためのエントロピー誘導自動プログレッシブプルーニングフレームワークである。 DiTモデルとSiTモデルの実験はEntPrunerの有効性を示し、最大2.22$times$推論スピードアップを達成する。
  論文  参考訳（メタデータ） (2025-11-26T07:20:48Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Latent Space Score-based Diffusion Model for Probabilistic Multivariate Time Series Imputation [6.9295879301090535]
  確率的時系列計算のための遅延空間スコアベース拡散モデル(LSSDM)を提案する。 LSSDMは、計算機構のより良い説明と不確実性解析を提供しながら、優れた計算性能を実現する。
  論文  参考訳（メタデータ） (2024-09-13T15:32:26Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
  拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。 事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。 このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
  論文  参考訳（メタデータ） (2022-11-01T08:18:07Z)
• Contextual Dropout: An Efficient Sample-Dependent Dropout Module [60.63525456640462]
  ドロップアウトは、ディープニューラルネットワークのトレーニングプロセスを正規化するシンプルで効果的なモジュールとして実証されています。 単純でスケーラブルなサンプル依存型ドロップアウトモジュールとして,効率的な構造設計によるコンテキスト型ドロップアウトを提案する。 提案手法は,不確実性推定の精度と品質の両面において,ベースライン法よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-06T19:30:32Z)

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。