ズィーン・ソング (Zeen Song) 氏は2026年10月27日(現地時間)、arXiv cs.LGを通じ、偏微分方程式 (Partial Differential Equations) のニューラル発見における閾値適合性とサポート選択診断に関する研究論文を発表した。同研究は、正確な回帰がサポート選択後に常に正しい方程式を導くとは限らないという根本的な課題に焦点を当て、自動修正や予測の安定性が未確立であることを指摘している。
ソング氏の研究は、ニューラル偏微分方程式 (neural PDE) の発見において、中央値または標本標準偏差に基づく閾値を用いた際の正確な二信号保持境界と完全ベクトル摂動境界を導き出した。この研究では、正確な移流拡散ライブラリ (advection-diffusion libraries) を用いた場合、係数の数値精度への回復にもかかわらず、方程式が拡散特性を失う現象を指摘している。
真のサポートを用いた40の保存されたスパース状態の再適合では、すべての微分精度を回復することなく拡散誤差を減少させた。また、固定されたシーケンシャル閾値リッジ比較器は、60の理想的な制御状態において正確なサポートを回復したものの、学習されたすべての状態において余分な項を選択した。条件付き検証ではすべての正しいサポート候補が却下された一方で、事後エネルギー統合は60すべての状態でこれらの候補の高い最小損失を保持した。
提供されたサポート推定は、4つの未使用の解析軌跡における240の物理残差比較において、変更されていない選択された方程式よりも優れた結果を示した。係数、観測点、および重みが固定された状態で、学習されたライブラリとターゲットを正確に置き換えると、59/60の状態において学習された行の順序が逆転した。両方の損失に重みを付ける方法も、テストされたすべての予算で特定のバーガース拡散-利点基準 (Burgers diffusion-benefit criterion) を満たさなかった。
これらの診断結果は、閾値の非互換性、再適合による損傷、およびスコア却別を区別しており、自動修正、一般的な回復、または予測の安定性はいずれも確立されていない状況である。
参考: arXiv cs.LG (アーカイブ) — 2026年10月30日 13:00 (JST)
原文ハイライト"Threshold Compatibility and Support-Selection Diagnostics in Neural Discovery"