論文の概要: Efficient Learning of Mechanism Designs and Compositionality
- arxiv url: http://arxiv.org/abs/2610.40005v1
- Date: Thu, 29 Oct 2026 13:23:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:10.08762
- Title: Efficient Learning of Mechanism Designs and Compositionality
- Title（参考訳）: メカニズム設計の効率的な学習と構成性
- Abstract要約: 学習メカニズムの動作には、接続された部品が協調的に動作を制限する方法の表現が必要である。
再利用可能な制約サブアセンブリが限られたデータからの予測を改善するかどうかを検討する。
Assur-KBは、既約モジュール、バウンダリインターフェースを通じて平面的なメカニズムを表現し、ソースジオメトリを保持しながら依存関係を解決する。
- 参考スコア（独自算出の注目度）: 18.8323743697237
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Learning mechanism behaviour requires a representation of how connected parts jointly constrain motion. We study whether exposing reusable constraint subassemblies improves prediction from limited data. Assur-KB represents planar mechanisms through irreducible modules, boundary interfaces, and solve dependencies while retaining source geometry. Our theoretical results characterize transfer through module interfaces and establish physical limits arising from missing interface information and accumulated sensitivity. To test the representation claim directly, the experimental design compares matched mechanism-curve pairs across training budgets within the same multilayer-perceptron family. This controlled comparison establishes the utility of the complete representation in the evaluated learning setting. Assur-derived features provide a geometric-mean $1.8\times$ advantage in sample efficiency over flattened adjacency and position inputs across budgets of 50-10,000 mechanisms. Separate experiments establish invariance under tested joint relabelings, higher valid-generation rates under dyadic composition, and a coarser structural index over 10.02 million mechanisms. In summary, the theory and experiments identify how physical constraint structure supports limited-data prediction and which interface conditions govern compositional reuse.
- Abstract（参考訳）: 学習メカニズムの動作には、接続された部品が協調的に動作を制限する方法の表現が必要である。
再利用可能な制約サブアセンブリが限られたデータからの予測を改善するかどうかを検討する。
Assur-KBは、既約モジュール、バウンダリインターフェースを通じて平面的なメカニズムを表現し、ソースジオメトリを保持しながら依存関係を解決する。
理論的には,モジュールインタフェースによる転送を特徴付けるとともに,インタフェース情報の欠落と感度の蓄積による物理的制限を確立する。
表現のクレームを直接テストするために、実験設計は、同一の多層パーセプトロンファミリー内のトレーニング予算間で一致した機構曲線ペアを比較した。
この制御された比較は、評価された学習環境における完全な表現の有用性を確立する。
Assurから派生した機能は、50～10,000のメカニズムの予算にまたがる平坦な隣接性や位置入力よりも、サンプル効率において、幾何的平均$1.8\timesの利点を提供する。
異なる実験により、試験された結合レバリングの下での不変性、ダイアド組成下での有効生成率の向上、および10.02百万以上のメカニズムに対する粗い構造指標が確立される。
要約すると、理論と実験は、物理的な制約構造が限定データ予測をどのようにサポートするか、どのインターフェース条件が構成的再利用を管理するかを特定する。
関連論文リスト
- Beyond feature attribution: Recovering latent interaction structures in machine learning models via localized CBFI [0.0]
本稿では,CBFI(Localized Case-based Feature importance)フレームワークを紹介する。
従来の数値属性とは異なり、本手法はインスタンス固有の予測を構造的に異なる成分に分解する。
ワインの品質分類と医療保険の回帰に関する実験は、局所的なCBFIが付加モデルによって隠された複雑な相互作用をうまく解き放つことを示した。
論文 参考訳（メタデータ） (2026-10-26T07:29:05Z) - Identifiability of a dissipative knowledge-dynamics model: exact recovery under designed excitation, degeneration on observational data [0.0]
熟達は実践を通じて蓄積し、忘れることを通じて崩壊し、相互に依存する概念をまたいで伝播する。
これらのパラメータが実際にデータから回収できるかどうかを調査する。
モデルの定常構造にその効果を辿り、理論が期待する退化と一致していることを示す。
論文 参考訳（メタデータ） (2026-10-07T11:50:29Z) - K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - Structural Compositional Function Networks: Interpretable Functional Compositions for Tabular Discovery [4.8369208007394215]
本稿では,構造構成ネットワーク(Structure compositional Networks, StructureCFN)を提案する。
私たちのフレームワークは構造化知識統合を可能にし、ドメイン固有のリレーショナル事前をアーキテクチャに直接注入して発見を導くことができます。
我々は18ベンチマークで厳密な10倍のクロスバリデーションスイートにまたがる構造CFNを評価し,統計的に有意な改善を示した。
論文 参考訳（メタデータ） (2026-01-27T20:20:07Z) - DIML: Differentiable Inverse Mechanism Learning from Behaviors of Multi-Agent Learning Trajectories [7.764532811300023]
本研究では,未知のインセンティブ生成機構を,観測された戦略的相互作用トレースから回復する逆メカニズム学習について検討する。
逆ゲーム理論やマルチエージェント逆強化学習とは異なり、ターゲットは非構造化メカニズムを含む。
本稿では,多エージェント学習のモデルを用いて,確率に基づくフレームワークであるDIMLを提案する。
論文 参考訳（メタデータ） (2026-01-25T03:49:25Z) - Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification [2.526146573337397]
本稿では,複合板の衝撃局部化と力推定のためのハイブリッドフレームワークを提案する。
これは、一階せん断変形理論(FSDT)のデータ駆動実装と機械学習と不確実性定量化を組み合わせたものである。
提案手法は, 複合空気構造物における衝撃モニタリングと構造的健康管理のために, スケーラブルで伝達可能なソリューションを提供する。
論文 参考訳（メタデータ） (2025-07-13T16:17:25Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z)
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。