論文の概要: On the Identifiability of Hybrid Deep Generative Models: Meta-Learning as a Solution

• arxiv url: http://arxiv.org/abs/2610.32748v1
• Date: Fri, 23 Oct 2026 14:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.588265
• Title: On the Identifiability of Hybrid Deep Generative Models: Meta-Learning as a Solution
• Title（参考訳）: ハイブリッド深部生成モデルの同定可能性について:メタラーニングを解法として
• Abstract要約: ハイブリッド深部生成モデル(ハイブリッドDGM)は、既知の物理に基づく数学的表現をニューラル生成モデルに統合する。 これらのハイブリッドDGMの識別性はまだ理論的に解明されていない。 本稿では,ハイブリッドDGMの識別可能性に関する最初の理論的考察を行い,メタラーニングを新しい解法として提示する。
• 参考スコア（独自算出の注目度）: 14.276234146240064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The interest in leveraging physics-based inductive bias in deep learning has resulted in recent development of hybrid deep generative models (hybrid-DGMs) that integrate known physics-based mathematical expressions in neural generative models. To identify these hybrid-DGMs requires inferring parameters of the physics-based component along with their neural component. The identifiability of these hybrid-DGMs, however, has not yet been theoretically probed or established. How does the existing theory of the un-identifiability of general DGMs apply to hybrid-DGMs? What may be an effective approach to construct a hybrid-DGM with theoretically-proven identifiability? This paper provides the first theoretical probe into the identifiability of hybrid-DGMs, and presents meta-learning as a novel solution to construct identifiable hybrid-DGMs. On synthetic and real-data benchmarks, we provide strong empirical evidence for the un-identifiability of existing hybrid-DGMs using unconditional priors, and strong identifiability results of the presented meta-formulations of hybrid-DGMs. Code is available at https://github.com/GoForIt-YYB/Meta-Hybrid-VAE.
• Abstract（参考訳）: 深層学習における物理に基づく帰納バイアスの活用への関心は、既知の物理に基づく数学的表現をニューラルネットワーク生成モデルに統合するハイブリッドな深部生成モデル(ハイブリッドDGM)の開発につながっている。 これらのハイブリッドDGMを特定するには、物理ベースのコンポーネントのパラメータとニューラルネットワークコンポーネントを推論する必要がある。 しかし、これらのハイブリッドDGMの識別性はまだ理論的に調査され、確立されていない。 一般DGMの不同一性に関する既存の理論はハイブリッドDGMにどのように適用されるのか? 理論的に確立された識別可能性を持つハイブリッドDGMを構築するための効果的なアプローチは何か? 本稿では,ハイブリッドDGMの識別可能性に関する最初の理論的研究を行い,メタラーニングを新しい手法として提案する。 合成および実データベンチマークでは, 既存のハイブリッドDGMの未確定性を無条件で証明し, 提案したハイブリッドDGMのメタフォーミュレーションの同定可能性について検証した。 コードはhttps://github.com/GoForIt-YYB/Meta-Hybrid-VAEで入手できる。

関連論文リスト

• An Exemplar of a Digital Twin in Mechanical Engineering: Understanding Model Hybridization [0.0]
  Digital Twins (DT) は様々なアプリケーションドメインで広く採用されている。 DTは、物理ベースの(導出的な)モデルとデータ駆動型の(導出的な)モデルをハイブリッドモデルに統合する傾向にある。 本稿では,CETIM(Central Technique des Industries Mécanique)における既存の流動ループディジタルツインの開発について報告する。
  論文  参考訳（メタデータ） (2026-09-15T14:38:12Z)
• Expressivity-Efficiency Tradeoffs for Hybrid Sequence Models [50.45915413315706]
  非ハイブリッドモデルに対する基本的な制限の存在を証明する。 我々は,これらの課題を確実に解決する,小さなサイズと作業メモリのハイブリッドモデルを構築した。 さらに,ハイブリッドモデルが非ハイブリッドモデルよりも長大化および分布外堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2026-03-09T19:20:01Z)
• Biologically-Informed Hybrid Membership Inference Attacks on Generative Genomic Models [1.7842332554022688]
  本研究は、合成遺伝的変異プロファイルの生成における言語モデル(LM)の利用について検討する。 生体インフォームドハイブリッドメンバーシップ推論攻撃(biHMIA)を導入することで,DPモードのプライバシ保証を実証的に評価する。 実験により, 小型および大型のGPT様モデルの両方が, 小型ゲノミクス用合成変種発生器として有効であることが確認された。
  論文  参考訳（メタデータ） (2025-11-10T17:09:19Z)
• GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes [50.228749840286895]
  本稿では,潜在的結果の条件分布を推定する生成的Neyman-orthogonal Learningersの一般スイートを紹介する。 提案したGDR-learnerは柔軟で,多くの最先端の深層生成モデルでインスタンス化することができる。 従来の手法とは異なり、GDR学習者は準器効率と二重頑健性の性質を持っている。
  論文  参考訳（メタデータ） (2025-09-26T21:35:28Z)
• Think Only When You Need with Large Hybrid-Reasoning Models [121.55211364358662]
  LHRM(Large Hybrid-Reasoning Model) ユーザクエリのコンテキスト情報に基づいて思考を行うか否かを適応的に決定できるモデル。 実験の結果, LHRMsは, 様々な難易度, 種別の問合せに対して, 適応的にハイブリッド思考を行うことができた。
  論文  参考訳（メタデータ） (2025-05-20T17:23:25Z)
• Bellman Diffusion: Generative Modeling as Learning a Linear Operator in the Distribution Space [72.52365911990935]
  本稿では,MDPの線形性を維持する新しいDGMフレームワークであるBellman Diffusionを紹介する。 この結果から,ベルマン拡散は分布RLタスクにおける従来のヒストグラムベースベースラインよりも1.5倍高速に収束し,精度の高い画像生成装置であることがわかった。
  論文  参考訳（メタデータ） (2024-10-02T17:53:23Z)
• Toward the Identifiability of Comparative Deep Generative Models [7.5479347719819865]
  比較深部生成モデル(DGM)における識別可能性の理論を提案する。 これらのモデルは、一般的な混合関数のクラスにおいて識別性に欠けるが、混合関数が断片的アフィンであるときに驚くほど識別可能であることを示す。 また, モデルミス種別の影響についても検討し, 従来提案されていた比較DGMの正則化手法が, 潜伏変数の数が事前に分かっていない場合に, 識別可能性を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2024-01-29T06:10:54Z)
• Cancer-inspired Genomics Mapper Model for the Generation of Synthetic DNA Sequences with Desired Genomics Signatures [0.0]
  がんに触発されたゲノムマッパーモデル(CGMM)は、遺伝的アルゴリズム(GA)とディープラーニング(DL)の手法を組み合わせたものである。 我々はCGMMが、祖先や癌などの選択された表現型の合成ゲノムを生成できることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T07:16:40Z)
• Applying Autonomous Hybrid Agent-based Computing to Difficult Optimization Problems [56.821213236215634]
  本稿では,EMASのハイブリッドバージョンを提案する。 これには、複数のハイブリッド演算子の選択と導入、およびメインアルゴリズムのハイブリッドステップを開始するためのルールの定義が含まれる。 これらのハイブリッドステップは、既存の、よく知られた、そして証明された、効率的なメタヒューリスティックスを活用し、その結果をメインのアルゴリズムに統合する。
  論文  参考訳（メタデータ） (2022-10-24T13:28:35Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)

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。