論文の概要: Predicting Unseen Scientific Interactions: Conditional Flow Models Hallucinate Non-Additive Effects

• arxiv url: http://arxiv.org/abs/2610.20288v1
• Date: Wed, 14 Oct 2026 14:42:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.20876
• Title: Predicting Unseen Scientific Interactions: Conditional Flow Models Hallucinate Non-Additive Effects
• Title（参考訳）: 未知の科学的相互作用を予測する--条件付き流れモデルによる非付加的効果の解明
• Abstract要約: 条件付き生成モデルは、直接訓練支援以上の科学的予測にますます使われている。 これらのモデルがどのように相互作用を学習し、いつそれが不明瞭な条件に外挿されるのかは、まだ不明である。 本研究では, 生理的時系列シミュレータ, 薬物線量応答データ, 細胞摂動, 分子コンホメータ世代を用いたフローマッチングモデルの相互作用回復について検討した。
• 参考スコア（独自算出の注目度）: 0.254890465057467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional generative models are increasingly used for scientific prediction beyond the direct training support. Yet scientific questions often concern whether one intervention changes the effect of another. Such interactions can be of primary interest while explaining little of the total variation, allowing models to appear accurate overall without recovering the relevant scientific effect. It remains unclear how these models learn interactions and when these successfully extrapolate to unseen conditions. We therefore study interaction recovery in flow-matching models using a physiological time-series simulator, drug dose-response data, combinatorial cell perturbations, and molecular conformer generations, where we separate recovery from hallucinated interaction structure. In the controlled setting, individual effects are learned much earlier than interactions and models hallucinate interactions where none exist. Across settings, we find qualitatively different generalization problems, with successful prediction depending on whether condition structure continues from observed to held-out targets. When it does, interactions are recoverable. If not, models can generate plausible responses while missing the interaction. We furthermore find that hallucinations increase as targets become less identifiable, and that successful interaction recovery in output space can fail under nonlinear readouts. Finally, we show that aggregate fidelity metrics can conceal whether models learn and extrapolate interactions.
• Abstract（参考訳）: 条件付き生成モデルは、直接訓練支援以上の科学的予測にますます使われている。 しかし科学的な疑問は、ある介入が他の介入の効果を変えるかどうかをしばしば懸念する。 このような相互作用は、全体の変動をほとんど説明しながらも主要な関心事であり、関連する科学的効果を回復することなく、モデル全体の正確な表示を可能にする。 これらのモデルがどのように相互作用を学習し、いつそれが不明瞭な条件に外挿されるのかは、まだ不明である。 そこで我々は, 生理的時系列シミュレータ, 薬物投与応答データ, 組換え細胞摂動, 分子コンホメータ世代を用いたフローマッチングモデルの相互作用回復について検討した。 制御された環境では、個々の効果は相互作用よりもはるかに早く学習され、相互作用を幻覚させるモデルが存在しない。 設定によって、状態構造が観測から保留対象まで継続されるかどうかによって、定性的に異なる一般化問題が発生する。 その場合、相互作用は回復可能である。 そうでなければ、モデルは相互作用を欠いている間、もっともらしい応答を生成することができる。 さらに,目標が識別しにくくなるにつれて幻覚が増加し,非線形読み出し時に出力空間での相互作用回復が失敗する可能性が示唆された。 最後に、モデルが相互作用を学習し、外挿するかどうかを隠蔽することができることを示す。

関連論文リスト

• Trimming the Long-Tail of Visual World Modeling Evaluation [67.17191772079316]
  本論文では,不規則な物理的相互作用をシミュレートするために世界モデルに挑戦するベンチマークであるTailor-Benchを紹介する。 通常のシナリオは共通のツールとタスクのペアを反映し、従来型のツールを属性互換の代替品に置き換え、Impossibleシナリオは属性違反ツールを導入している。 実験結果から,物理世界モデリングの長期的ギャップは明らかであり,共通相互作用を超越した一般化の限界が示唆された。
  論文  参考訳（メタデータ） (2026-06-23T07:43:41Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• A Debate-Driven Experiment on LLM Hallucinations and Accuracy [7.821303946741665]
  本研究では,大規模言語モデル(LLM)における幻覚現象について検討する。 GPT-4o-Miniモデルの複数のインスタンスは、TrathfulQAデータセットからの質問によって引き起こされた議論のような相互作用に関与している。 1つのモデルは、もっともらしいが偽の答えを生成するように故意に指示され、他のモデルは真に応答するように要求される。
  論文  参考訳（メタデータ） (2024-10-25T11:41:27Z)
• Automated Discovery of Pairwise Interactions from Unstructured Data [3.980555701211573]
  ペアワイズ摂動実験は、単一の摂動から観測できない相互作用を明らかにするために頻繁に用いられる。 これらのテストがアクティブな学習パイプラインに統合され、摂動間のペアワイズ相互作用を効率的に検出できることを示す。 我々は、50組の遺伝子をノックアウトし、顕微鏡画像でその効果を計測する、実際の生物学的実験に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-09-11T19:53:50Z)
• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• One-hot Generalized Linear Model for Switching Brain State Discovery [1.0132677989820746]
  神経信号からの推論された神経相互作用は、主に機能的相互作用を反映する。 学習した前者は状態-状態相互作用を捉え、基礎となる解剖学的コネクトームに光を当てるべきであることを示す。 本手法は,シミュレーションデータにおける真の相互作用構造を効果的に復元し,実際のニューラルネットワークで最高の予測可能性を獲得し,相互作用構造や隠れ状態をより解釈可能なものにする。
  論文  参考訳（メタデータ） (2023-10-23T18:10:22Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Interactions in information spread: quantification and interpretation using stochastic block models [3.5450828190071655]
  ソーシャルネットワークでは、ユーザーの行動は、対話する人々、フィード内のニュース、トレンドトピックから生じる。 本稿では、エンティティ間のインタラクションの役割を調査する新しいモデル、Interactive Mixed Membership Block Model (IMMSBM)を提案する。 推論タスクでは、それらを考慮すれば、結果の確率の最大150%の非相互作用モデルに対する平均的な相対的な変化につながる。
  論文  参考訳（メタデータ） (2020-04-09T14:22:10Z)
• Modeling Rare Interactions in Time Series Data Through Qualitative Change: Application to Outcome Prediction in Intensive Care Units [1.0349800230036503]
  本稿では,高次元時系列データから得られる結果の最も高い確率で相互作用を明らかにするためのモデルを提案する。 小さな相互作用の類似テンプレートが結果に寄与するという仮定を用いて、探索タスクを再構成し、データから最も類似したテンプレートを検索する。
  論文  参考訳（メタデータ） (2020-04-03T08:49:40Z)

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。