論文の概要: Understanding Data Influence in Transportation Networks: A Physics-Constrained Influence-Function Framework

• arxiv url: http://arxiv.org/abs/2611.07526v1
• Date: Thu, 05 Nov 2026 06:37:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.569354
• Title: Understanding Data Influence in Transportation Networks: A Physics-Constrained Influence-Function Framework
• Title（参考訳）: 交通ネットワークにおけるデータ影響の理解:物理制約による影響表現フレームワーク
• Abstract要約: 本稿では,制約学習のための物理インフォームド・インフルエンス・ファンクション・フレームワークを開発する。 物理的な制約がトレーニングサンプルの影響の大きさ、方向、空間分布をどう変えるかを示す。 制約付き輸送学習問題におけるトレーニングデータの影響を評価するための物理的に一貫したアプローチを提供する。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how individual training observations influence model predictions is important for developing reliable and interpretable data-driven transportation systems. Existing influence-function methods, however, are primarily formulated for unconstrained learning and do not explicitly account for physical constraints that couple different components of a transportation network. Under such constraints, perturbing a training observation can affect model parameters and predictions only through physically feasible directions, potentially changing how its influence propagates across the network. This paper develops a hard physics-informed influence-function framework for constrained learning, in which training-data influence is characterized within the physically feasible space defined by network constraints. The analytical results reveal how physical constraints alter the magnitude, direction, and spatial distribution of training-sample influence relative to conventional influence measures. Using traffic prediction under flow-conservation constraints as a case study, we show that influential observations identified by the proposed framework differ systematically from those identified by classical influence functions. Through orthogonal decomposition, we quantitatively characterize how much of a perturbation in the training data is propagated through the network via the flow-conservation constraints and how much is removed by the constraint projection. The proposed influence framework provides a physically consistent approach for evaluating training-data influence in constrained transportation learning problems, with potential applications to data diagnostics, sensor evaluation, and targeted data collection.
• Abstract（参考訳）: 個別のトレーニング観察がモデル予測にどのように影響するかを理解することは、信頼性と解釈可能なデータ駆動輸送システムを開発する上で重要である。 しかし、既存の影響関数法は、主に制約のない学習のために定式化されており、輸送ネットワークの異なるコンポーネントにまたがる物理的な制約を明示的に考慮していない。 このような制約の下では、トレーニング観察の摂動は、物理的に実現可能な方向を通してのみモデルパラメータや予測に影響を与える可能性がある。 本稿では、ネットワーク制約によって定義された物理的に実現可能な空間内で、トレーニングデータの影響を特徴付ける制約付き学習のためのハード物理インフォームド・インフルエンス・ファンクション・フレームワークを開発する。 分析の結果,従来の影響尺度と比較して,身体的制約がトレーニングサンプルの影響の大きさ,方向,空間的分布をどう変えるかが明らかになった。 流れ保存制約下での交通予測を事例として,提案手法によって同定された影響観測は,古典的な影響関数によって同定されたものと体系的に異なることを示す。 直交分解により, トレーニングデータの摂動が, 流れ保存制約を介してネットワークを介して伝播されるか, 制約投影によって除去されるかを定量的に特徴づける。 提案するインフルエンスフレームワークは,制約付き輸送学習問題におけるトレーニングデータの影響を評価するための物理的に一貫したアプローチを提供する。

関連論文リスト

• Directional Influence Function: Estimating Training Data Influence in Constrained Learning [2.9843488044412507]
  Directional Influence Function (DIF) は、制約を影響評価に明示的に組み込む新しい推定器である。 本結果は,制約学習におけるデータ帰属のための効率的かつ信頼性の高いツールとしてDIFを確立した。
  論文  参考訳（メタデータ） (2026-07-25T22:50:09Z)
• Physics-Informed Framework for Impact Identification in Aerospace Composites [0.4349640169711269]
  ThePhy-IDフレームワークは、観測バイアス、誘導バイアス、学習バイアスを統合し、物理的に一貫性があり、数値的に安定した影響識別を実現する。 その結果,物理インフォームドバイアスの体系的な統合により,信頼性,物理的に整合性,およびデータ効率のよい影響の同定が可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-30T15:40:28Z)
• Defining Energy Indicators for Impact Identification on Aerospace Composites: A Physics-Informed Machine Learning Perspective [0.4104921880358479]
  エネルギー推定は、航空宇宙複合材料に対する影響の同定に重要である。 本研究では、ドメイン知識を機械学習に組み込む物理インフォームドフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-11-03T13:58:03Z)
• 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)
• Toward Efficient Influence Function: Dropout as a Compression Tool [9.756810956484772]
  本稿では,より効率的に影響関数を計算するための勾配圧縮機構としてドロップアウトを利用する新しい手法を提案する。 本手法は, インフルエンス関数だけでなく, 勾配圧縮プロセスにおいても, 計算およびメモリオーバーヘッドを大幅に低減する。
  論文  参考訳（メタデータ） (2025-09-19T06:20:54Z)
• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Capturing the Temporal Dependence of Training Data Influence [100.91355498124527]
  我々は、訓練中にデータポイントを除去する影響を定量化する、軌跡特異的な離脱の影響の概念を定式化する。 軌道固有LOOの効率的な近似を可能にする新しい手法であるデータ値埋め込みを提案する。 データバリューの埋め込みは、トレーニングデータの順序付けをキャプチャするので、モデルトレーニングのダイナミクスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-12T18:28:55Z)
• Efficient Estimation of Influence of a Training Instance [56.29080605123304]
  本稿では,ニューラルネットワークモデルに対するトレーニングインスタンスの影響を効率的に推定する手法を提案する。 このメソッドは、サブネットワークをゼロマスクし、サブネットワークが各トレーニングインスタンスを学習するのを防ぎます。 提案手法は, 学習の影響を捉え, 誤り予測の解釈性を高め, 一般化改善のための訓練データセットをクリーン化できることを実証する。
  論文  参考訳（メタデータ） (2020-12-08T04:31:38Z)
• Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
  影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。 本稿では,理論的観点から,そのような手法の性能について考察する。 交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-03T15:33:10Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。