論文の概要: Uncertainty-Aware Continual Learning for 2D XRD Interpretation Using Simulated and Experimental Data
- arxiv url: http://arxiv.org/abs/2611.17547v1
- Date: Thu, 12 Nov 2026 22:08:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.265037
- Title: Uncertainty-Aware Continual Learning for 2D XRD Interpretation Using Simulated and Experimental Data
- Title(参考訳): シミュレーションおよび実験データを用いた2次元XRD解釈の不確かさ認識連続学習
- Abstract要約: 本稿では,X線回折(XRD)データの不確実性を考慮した連続解釈のための概念実証フレームワークを提案する。
このフレームワークは、シミュレーションと実験の相違を低減するための最大平均差に基づくドメイン適応、予測不確実性推定のためのスペクトル正規化ニューラルガウスプロセス(CNN-SNGP)を備えた畳み込みニューラルネットワーク、およびシーケンシャルモデル更新のための知識蒸留と再生という、確立されたコンポーネントを統合している。
- 参考スコア(独自算出の注目度): 9.979396923461309
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous experimentation systems require characterization models that can interpret heterogeneous measurements and maintain predictive performance as data accumulate. Developing such models involves addressing domain mismatch between data sources, overconfident predictions on unfamiliar inputs, and catastrophic forgetting during sequential updates. In this work, we present a proof-of-concept framework for uncertainty-aware continual interpretation of two-dimensional X-ray diffraction (XRD) data. The framework integrates established components: maximum mean discrepancy-based domain adaptation to reduce simulation-to-experiment discrepancies, a convolutional neural network with a spectral-normalized neural Gaussian process (CNN--SNGP) for predictive uncertainty estimation, and replay with knowledge distillation for sequential model updating. We evaluate the framework using simulated and previously-collected experimental data for crystal structure classification of single-phase body-centered cubic, face-centered cubic, and hexagonal close-packed patterns. Data are organized into predefined sequential blocks to assess adaptation and retention of previously learned knowledge. Within this setting, the results show accurate classification across simulated and experimental data, improved alignment between the two domains, and reduced forgetting compared with naïve fine-tuning. Predictive uncertainty is also evaluated on unfamiliar and noisy inputs. The contribution is the integration and evaluation of these capabilities for sequential XRD interpretation. The framework provides a basis for future integration into autonomous experimentation systems, with experimental planning, instrument control, and closed-loop deployment remaining areas for future development.
- Abstract(参考訳): 自律的な実験システムは、不均一な測定を解釈し、データが蓄積されるにつれて予測性能を維持することができるキャラクタリゼーションモデルを必要とする。
このようなモデルの開発には、データソース間のドメインミスマッチへの対処、不慣れな入力に対する過信予測、シーケンシャルな更新時の破滅的な忘れ込みが含まれる。
本研究では,2次元X線回折(XRD)データの不確実性を考慮した連続的解釈のための概念実証フレームワークを提案する。
このフレームワークは、シミュレーションと実験の相違を低減するための最大平均差に基づくドメイン適応、予測不確実性推定のためのスペクトル正規化ニューラルガウスプロセス(CNN-SNGP)を備えた畳み込みニューラルネットワーク、およびシーケンシャルモデル更新のための知識蒸留と再生という、確立されたコンポーネントを統合している。
単相体中心立方体, 面中心立方体, 六角形密閉パターンの結晶構造分類に, シミュレーションおよび予め収集した実験データを用いて, フレームワークの評価を行った。
データは事前に定義された逐次ブロックに整理され、事前学習された知識の適応と保持を評価する。
この設定では、シミュレーションおよび実験データ間での正確な分類、二つの領域間のアライメントの改善、およびナイーブ微調整と比較して忘れを減らした。
予測の不確実性も、不慣れでノイズの多い入力で評価される。
コントリビューションは、シーケンシャルなXRD解釈のためのこれらの機能の統合と評価である。
このフレームワークは将来の自律的な実験システムへの統合の基礎を提供し、将来の開発のために実験計画、計器制御、クローズドループ展開が残っている。
関連論文リスト
- Prediction Inference of Time Series with Standard ReLU Deep Neural Networks [0.0]
本稿では,標準ReLU Deep Neural Networks(DNN)に基づく手法を提案する。
我々は、DNNモデル推定器を用いて、いわゆるPPI(Pertinent Prediction interval)を構築する。
インプリートされたフォワードブートストラップシリーズは、まだベータミキシングであり、元の時系列と同じ定常分布を持つことを示す。
論文 参考訳(メタデータ) (2026-08-15T18:36:06Z) - DiFA: Inference-Time Forward-Process Alignment for Diffusion Models [8.208222349301785]
Forward-Process Aligned Diffusion Prediction (textbfDiFA) は、逐次状態推定問題として推論時データの予測精度を改善するトレーニングフリーフレームワークである。
カルマンフィルタにインスパイアされたDiFAは、構造的一貫性とノイズレベルの整合性に応じて歴史的予測を集約する。
論文 参考訳(メタデータ) (2026-07-20T14:10:53Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳(メタデータ) (2025-09-27T20:57:48Z) - NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。
モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。
実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
論文 参考訳(メタデータ) (2025-05-16T09:53:21Z) - A recursive Bayesian neural network for constitutive modeling of sands under monotonic and cyclic loading [0.0]
工学において、モデルは様々な排水条件、ストレスパス、ロード履歴をまたいだ土壌の挙動を捉える中心となる。
本研究では,時間列学習を一般化推論で統一する再帰的ベイズニューラルネットワーク(rBNN)フレームワークを提案する。
このフレームワークは、シミュレートされた3軸テストと実験的な3軸テストの両方にまたがる4つのデータセットに対して検証される。
論文 参考訳(メタデータ) (2025-01-17T10:15:03Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。