論文の概要: Readable Is Not Steerable: Pre-Registered Tests of Physical Structure in Learned Fluid Representations
- arxiv url: http://arxiv.org/abs/2611.05577v1
- Date: Tue, 03 Nov 2026 20:08:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.837464
- Title: Readable Is Not Steerable: Pre-Registered Tests of Physical Structure in Learned Fluid Representations
- Title（参考訳）: 可読性は安定しない: 学習された流体表現における物理構造の事前登録試験
- Abstract要約: 自己拘束された世界モデルは、しばしば物理量に関する潜伏者を組織すると言われている。
我々は,3つの事前登録研究において,Navier-Stokes流れの2次元減衰実験を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised world models are often said to organize their latents around physical quantities. We test this on 2D decaying Navier-Stokes flow in three pre-registered studies, each tested once on held-out data. In Study 1, a joint-embedding predictive architecture (JEPA) trained to predict the flow fails the pre-registered criteria for organizing its latent around fluid quantities better than an untrained network of the same architecture (not supported); a JEPA trained on non-physical linear dynamics and a static invariance model that never sees time do as well or better. In Study 2, plain autoencoders that render the field make enstrophy prominent in their slowest unsupervised latent directions (best r 0.80-0.86 vs 0.38 untrained; fresh seeds, sealed data). Adding VICReg lowers this prominence in every comparison, though not by the pre-registered margin for vorticity, while raising the autoencoders' linear decodability (partially supported). In Study 3, we build steerable directions ("dials") by routing: the decoder gets overall scale only through a small conditioning code, while its other pathway carries a degraded copy of spectral shape. Label-free rules find a loudness dial in all 8 trained models and a shape dial in 3 of 5 fresh seeds on sealed data, against a pre-registered bar of 4; neither control shows a shape dial (partially supported). Across the studies, what a latent contains and what can be controlled through it come apart. In exploration, a supervised direction reading spectral shape almost perfectly moved nothing when steered. During the build, the loudness dial had to be found by its effect on the output (closest to a pure rescaling), not by data variance; for shape, a variance rule and an effect-constrained rule each worked in 3 of 5 seeds. The program used about 70 logged hours on one consumer GPU; all pre-registrations, deviations, code and outputs are public.
- Abstract（参考訳）: 自己監督の世界モデルは、しばしば物理量に関する潜伏者を組織すると言われている。
これを3つの事前登録された研究で2次元崩壊するナビエ・ストークス流で検証し、それぞれが保持されたデータで1回テストした。
研究1では、フローを予測するために訓練された共同埋め込み予測アーキテクチャ(JEPA)が、同じアーキテクチャ(サポートされていない)のトレーニングされていないネットワークよりも、流動量の潜伏量を整理する事前登録基準に失敗する。
研究2では、フィールドを描画する平らなオートエンコーダは、エンストロフィーを最も遅い教師なしの遅延方向(r 0.80-0.86 対 0.38 対未訓練、新鮮な種、封じ込めデータ)で顕著にする。
VICRegを追加することで、すべての比較においてこの優位性は低下するが、事前登録された渦率のマージンによるものではなく、オートエンコーダの線形陰極性(部分的には支持されている)を高める。
研究3では、制御可能な方向(ダイアル)をルーティングによって構築する:デコーダは、小さな条件付きコードを通してのみ全体的なスケールを得るが、他の経路はスペクトル形状の劣化したコピーを運ぶ。
ラベルのない規則では、すべての8つの訓練されたモデルで大音量ダイヤルが、シールされたデータに5つの新鮮な種子の3つの形ダイヤルが、事前登録されたバーの4に対して現れる。
研究全体では、潜伏剤が何を含んでいて、それを通じて制御できるものは分解される。
探査では、スペクトルの形状を読み取る監督された方向が、操舵時にほとんど完全に動くことはなかった。
ビルド中、大音量ダイヤルは、データ分散ではなく出力(純粋な再スケーリングに最も近い)に対する効果によって見出されなければならなかった。
プログラムは1つのコンシューマGPUで約70時間ログされ、事前登録、偏差、コード、アウトプットはすべて公開されている。
関連論文リスト
- Uncertainty-Guided Cross-Modal Alignment for Diffusion-Based IoT Intrusion Detection [0.7774159184252745]
拡散モデルは、学習したデータ分布に向かってノイズ状態が進化するので、サンプリングの振る舞いは、ノイズが発生する表現の幾何学に依存する。
本稿では、正規化されたVAE後部分散を用いて、指向性相互変調の影響を制御する新しい信頼性誘導アライメントルールを提案する。
不均衡なインターネット・オブ・Things侵入検知のためのマイノリティアタック生成におけるこの問題について検討する。
論文 参考訳（メタデータ） (2026-10-29T01:01:47Z) - Phenomenon-Graph JEPA: Label-Efficient Representation Learning for Contactless Cardiorespiratory Sensing [9.669984249536286]
Phenomenon-Graph JEPAは、負のペアや合成拡張を伴わない4つの処理された1次元ストリームから学習する。
プレトレーニング中、モデルは、同じ生理現象に割り当てられたストリームを接続するタイプ付きエッジに沿って、停止対象の埋め込みを予測する。
この研究は、予測表現の測定上の利点を、トレーニングの組織化に使用される生理的事前から切り離している。
論文 参考訳（メタデータ） (2026-09-26T20:38:42Z) - Data Diversity, Not Frequency Invariance: A Controlled and Self-Audited Study of Compression-Robust Deepfake Detection [0.26856688022781555]
周波数特徴と圧縮不変表現学習は、ビデオ圧縮に耐えるディープフェイク検出の鍵であると広く考えられている。
本稿では, CAFRL - block-DCT および FFT-phase ストリーム, 圧縮レベル条件付き帯域アテンション, 逆(逆)圧縮でこれを検証する。
キャパシティと拡張整合制御を備えた事前登録されたプロトコルの下では、マルチ品質データに対するプレーンなEfficientNet-B0が、各圧縮レベルで指定されたCAFRLを上回った。
論文 参考訳（メタデータ） (2026-08-26T12:05:10Z) - Ordered Diffusion for 3D Human Registration [65.1333901549662]
テンプレートと入力ポイントクラウドの間には、ユニークな地平の整合性が存在すると仮定して、歴史的に3Dの人間登録は回帰タスクとして扱われてきた。
本稿では,3次元拡散過程として登録を定式化するODinを提案する。
これを達成するため、ODinはグローバル、ローカル、および位置条件に依存し、各点を正しい位置に導く。
論文 参考訳（メタデータ） (2026-08-06T09:39:54Z) - TIDE: A Physically Diverse 3D Turbulence Benchmark Dataset for Advancing Scientific Machine Learning [21.12028946527482]
TIDE(Turbulent Incompressible DNS Ensembles)は,2563個のDNSコーパスと3次元非圧縮性乱流のベンチマークである。
ベンチマークには5つのタスク、標準化された学習ベースライン、制御された一般化分割、ポイントワイドエラーと並行して物理忠実度メトリクスが含まれる。
主要な予測構成全体において、現在の学習モデルは永続性にはほとんど優れておらず、スペクトルソルバの約2倍の誤差を発生させる。
論文 参考訳（メタデータ） (2026-08-04T20:56:23Z) - Where Do Flow Semantics Reside? A Protocol-Native Tabular Pretraining Paradigm for Encrypted Traffic Classification [5.044786941116112]
自己監督型マスクドモデリングは、生のバイトをマスキングして再構築することで、暗号化されたトラフィック分類を約束する。
最近の研究によると、これらの手法はコストのかかる事前訓練にもかかわらずラベル付きデータへの依存を減らすことができない。
トラフィックをシーケンスバイトにフラットにすることで、プロトコル定義のセマンティクスを破壊します。
論文 参考訳（メタデータ） (2026-03-09T15:15:23Z) - Multistep Inverse Is Not All You Need [87.62730694973696]
実世界の制御環境では、観測空間は不要に高次元であり、時間関連ノイズにさらされることが多い。
したがって、観測空間を制御関連変数のより単純な空間にマッピングするエンコーダを学ぶことが望ましい。
本稿では,多段階逆予測と遅延フォワードモデルを組み合わせた新しいアルゴリズムACDFを提案する。
論文 参考訳（メタデータ） (2024-03-18T16:36:01Z) - LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised
Time Series Anomaly Detection [49.52429991848581]
深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。
本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
論文 参考訳（メタデータ） (2023-10-09T12:36:16Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:35:03Z)
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。