論文の概要: Physics-Transfer Learning: A Physics-Constrained Theory for Zero-Shot Generalization Along the Ladder of Complexity
- arxiv url: http://arxiv.org/abs/2610.22376v1
- Date: Tue, 22 Sep 2026 16:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-26 00:37:12.112669
- Title: Physics-Transfer Learning: A Physics-Constrained Theory for Zero-Shot Generalization Along the Ladder of Complexity
- Title（参考訳）: 物理遷移学習:複雑性の台に沿ったゼロショット一般化のための物理制約理論
- Abstract要約: ゼロショット一般化のための物理制約付き学習理論である物理変換学習を提案する。
量子系における励起状態エネルギー予測と古典系における動的遷移予測についてPTを評価する。
これらの結果は、データスカース学習問題の一般化を設計、診断、制御するためのモデルに依存しないフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 1.8119312186036625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable out-of-distribution generalization remains a central challenge in machine learning, particularly when models are deployed in data-scarce high-fidelity domains. Existing approaches often rely on statistical distribution alignment, or invariance assumptions that can fail when domain shifts reflect changes in underlying mechanisms. Inspired by a longstanding paradigm in physics that understands complex systems by starting from tractable idealizations and progressively incorporating additional mechanisms and levels of fidelity, we propose physics-transfer (PT) learning, a physics-constrained learning theory for zero-shot generalization along a ladder of complexity. PT constructs chains of anchor domains (CADs) that connect low-cost source domains to complex targets and introduces computable feasibility and reliability indicators for assessing transfer before target-domain labels are observed. Under physical-consistency and stable-representation assumptions, we derive an operational upper bound on target risk in terms of source empirical risk, the PT indicators, and finite-sample errors, and establish convergence as adjacent complexity gaps shrink and data coverage improves. We evaluate PT on excited-state energy prediction in quantum systems and dynamical-transition prediction in classical systems using neural networks trained without target-domain labels. Across substantial distribution shifts, PT yields accurate high-fidelity predictions, while the indicators identify incorrect physical mappings before target-domain prediction fails. These results provide a model-agnostic framework for designing, diagnosing, and controlling generalization in data-scarce learning problems.
- Abstract（参考訳）: 信頼性の高いアウト・オブ・ディストリビューションの一般化は、特にデータスカース高忠実度ドメインにモデルがデプロイされる場合、マシンラーニングにおいて依然として中心的な課題である。
既存のアプローチは、しばしば統計分布のアライメントや、ドメインシフトが基礎となるメカニズムの変化を反映する場合に失敗する可能性のある不変の仮定に依存している。
抽出可能な理想化から始まり、さらなるメカニズムと忠実度を徐々に取り入れることで複雑なシステムを理解する物理学の長年のパラダイムに着想を得て、複雑性のはしごに沿ってゼロショット一般化のための物理制約付き学習理論である物理移動学習(PT)を提案する。
PTは、低コストのソースドメインを複雑なターゲットに接続するアンカードメイン(CAD)のチェーンを構築し、ターゲットドメインラベルが観測される前に転送を評価するための計算可能可能性および信頼性インジケータを導入する。
物理的整合性と安定表現の仮定の下では、ソース実証リスク、PTインジケータ、有限サンプルエラーの操作上の上限を導出し、隣り合う複雑性のギャップが縮まり、データカバレッジが向上するにつれて収束を確立する。
量子系における励起状態エネルギー予測と古典系における動的遷移予測について,ターゲットドメインラベルを使わずにトレーニングされたニューラルネットワークを用いてPTを評価する。
実質的な分布シフト全体にわたって、PTは正確な高忠実度予測を出力し、指標はターゲット領域の予測が失敗する前に間違った物理マッピングを識別する。
これらの結果は、データスカース学習問題の一般化を設計、診断、制御するためのモデルに依存しないフレームワークを提供する。
関連論文リスト
- Development and Validation of a Physics-Guided Machine Learning Extrapolation Framework Using a Classical Transient Diffusion Benchmark [0.0]
厳密な検証は、トレーニング範囲外のデータの不足によって妨げられます。
新しい補間フレームワークは、正確で物理的に一貫した予測を可能にするために、確立された機械学習アーキテクチャと統合されている。
論文 参考訳（メタデータ） (2026-09-09T09:09:04Z) - Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。
そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。
制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
論文 参考訳（メタデータ） (2026-08-20T13:59:57Z) - Human-Machine Collaboration on Generative Meta-Learning: Model and Algorithm [22.212135025785244]
機械学習モデルをトレーニングディストリビューションとは異なる環境に一般化することは、依然として重要なハードルである。
本稿では,データ合成の指導に専門家の直観を活用することによって,この領域のギャップを埋める新しいフレームワークであるGMHF(Generative Meta-Learning with Human Feedback)を提案する。
論文 参考訳（メタデータ） (2026-07-01T13:29:54Z) - A PAC-Bayesian View of Generalisation for Physics-Informed Machine Learning [14.207412457685313]
PAC-Bayesian framework for Physics-informed machine learning (PIML) を開発した。
非有界な損失が存在する場合に、高確率の一般化を保証する。
この結果は、物理インフォームドモデルの一般化のための、原理化された統計基盤を提供する。
論文 参考訳（メタデータ） (2026-05-25T21:30:39Z) - Out-of-Support Generalisation via Weight Space Sequence Modelling [1.6921396880325779]
我々は、OoS一般化問題を重み空間におけるシーケンスモデリングタスクとして再構成する。
我々の枠組みは、明示的な帰納バイアスを必要とせず、妥当で、解釈可能で、不確実性を考慮した予測をもたらす。
これらの結果は、安全クリティカルな応用における人工知能の普及に重要な意味を持つ。
論文 参考訳（メタデータ） (2026-02-14T01:51:54Z) - Deep Neural Networks as Iterated Function Systems and a Generalization Bound [2.7920304852537536]
2つの重要なディープアーキテクチャは、場所に依存したIFSとみなすことができるか、あるいは正統に関連付けられるかを示す。
データ分布と画像間のコラージュ型近似誤差を制御する生成モデリングのためのワッサーシュタイン境界を導出する。
論文 参考訳（メタデータ） (2026-01-27T07:32:49Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Partial Transportability for Domain Generalization [56.37032680901525]
本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。
我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。
本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
論文 参考訳（メタデータ） (2025-03-30T22:06:37Z) - Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - Supercharging Imbalanced Data Learning With Energy-based Contrastive
Representation Transfer [72.5190560787569]
コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。
本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。
これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
論文 参考訳（メタデータ） (2020-11-25T00:13:11Z)
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。