論文の概要: Susceptibilities for Neural Networks Learning from Physical Data

• arxiv url: http://arxiv.org/abs/2611.02632v1
• Date: Mon, 02 Nov 2026 06:57:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:50:46.99596
• Title: Susceptibilities for Neural Networks Learning from Physical Data
• Title（参考訳）: 物理データから学習するニューラルネットワークの感受性
• Abstract要約: 本稿では,データ分布のパラメータの摂動に対する感受性の適用方法を示す。 このような感受性は、特定の入力特徴が学習に最も有益である条件を特定することができることを示す。
• 参考スコア（独自算出の注目度）: 12.041978809845647
• License:
• Abstract: Neural networks that are trained on data arising from a physical system must somehow learn regularities induced by the underlying physical laws. In this setting, concepts from statistical physics provide powerful tools for analysing how physical laws influence the learning process. In this paper we explain how susceptibilities --- which measure the response of a neural network to perturbations of a parameter of the data distribution --- can be applied when learning from physical data. We show that such susceptibilities can identify the conditions under which specific input features are most informative for learning, guiding data selection, a prediction we validate experimentally. For distributions lacking a natural parameter, we propose introducing one via a physically meaningful scalar function of the physical state, and demonstrate that susceptibilities track the emergence of specific capabilities (such as collision detection) during training.
• Abstract（参考訳）: 物理的システムから生じるデータに基づいてトレーニングされたニューラルネットワークは、基礎となる物理法則によって引き起こされる規則を何らかの形で学習する必要がある。 この設定では、統計物理学の概念は、物理法則が学習プロセスにどのように影響するかを分析する強力なツールを提供する。 本稿では,データ分布のパラメータの摂動に対するニューラルネットワークの応答を計測する感受性を,物理データから学習する場合に適用する方法について説明する。 このような感受性は、特定の入力特徴が学習、指導、データ選択、実験で検証する上で最も有益である条件を特定することができることを示す。 自然パラメータを欠いた分布に対しては,物理状態の物理的に有意なスカラー関数を用いてそれを導入することを提案し,サセプティビティが訓練中の特定の能力(衝突検出など)の出現を追跡することを示す。

関連論文リスト

• Incorporating sufficient physical information into artificial neural networks: a guaranteed improvement via physics-based Rao-Blackwellization [0.0]
  ラオ・ブラックウェル化の概念は、物理情報による人工ニューラルネットワークの予測を改善するために用いられる。 提案手法は材料モデリングに適用され, 収率関数の同定例で説明される。
  論文  参考訳（メタデータ） (2023-11-10T16:05:46Z)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• On the application of Physically-Guided Neural Networks with Internal Variables to Continuum Problems [0.0]
  内部変数を用いた物理誘導型ニューラルネットワーク(PGNNIV)を提案する。 普遍的な物理法則は、あるニューロンの値がシステムの内部状態変数として解釈されるように、ニューラルネットワークの制約として使用される。 これにより、ネットワークの容量が拡大するだけでなく、より高速な収束、少ないデータ要求、追加のノイズフィルタリングといった予測特性も向上する。 トレーニングセットで測定可能な値のみを用いることで,予測的かつ説明的能力を示すことによって,この新たな方法論を連続的な物理問題に拡張する。
  論文  参考訳（メタデータ） (2020-11-23T13:06:52Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)
• Identification of state functions by physically-guided neural networks with physically-meaningful internal layers [0.0]
  我々は,物理系における入力-出力関係を予測するために,物理的拘束型ニューラルネットワーク(PCNN)の概念を用いる。 このアプローチは、物理的に予測されるだけでなく、トレーニングプロセスの加速を図っている。
  論文  参考訳（メタデータ） (2020-11-17T11:26:37Z)
• Identifying Learning Rules From Neural Network Observables [26.96375335939315]
  学習ルールの異なるクラスは、重み、アクティベーション、即時的な階層的活動変化の集計統計に基づいてのみ分離可能であることを示す。 本研究は, シナプス後活動の電気生理学的記録から得られる活性化パターンが, 学習規則の同定に有効であることを示すものである。
  論文  参考訳（メタデータ） (2020-10-22T14:36:54Z)
• Bayesian Neural Networks [0.0]
  ニューラルネットワークによる予測におけるエラーを原理的に得る方法を示し、これらのエラーを特徴付ける2つの方法を提案する。 さらに、これらの2つのメソッドが実際に実施される際に、重大な落とし穴を持つ方法についても説明します。
  論文  参考訳（メタデータ） (2020-06-02T09:43:00Z)
• Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
  ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。 本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:45:45Z)

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。