Core Concepts
情報ボトルネック理論に基づいて、システムの将来を最も良く予測する関連変数を特定する系統的なアプローチを開発した。この理論的枠組みは、物理学と生物学の両方の文脈で、解釈可能な深層学習ツールを構築するための基盤を提供する。
Abstract
本論文では、物理学と生物学におけるデータ駆動型モデル縮小のための情報理論的アプローチを提案している。モデル縮小とは、多体系の複雑な動力学を少数の関連変数で記述することである。関連変数の特定は一般的な方法がないが、本研究では情報ボトルネック理論に基づいた系統的なアプローチを開発した。
この理論的枠組みでは、関連変数は将来の状態を最も良く予測する変数として定義される。分析の結果、これらの関連変数は伝達演算子の最も遅く減衰する固有関数に対応することが明らかになった。高圧縮の極限では、関連変数は直接この最遅減衰固有関数によって決まる。
この情報理論的アプローチは、簡単なモデルだけでなく、大気流や細菌集団の実験データからも、支配的な遅い集団変数を自動的に抽出できることを示した。さらに、この理論的枠組みは、物理学と生物学の両方の文脈で、解釈可能な深層学習ツールを構築するための基盤を提供する。
Stats
状態変数xの時間発展は、伝達演算子Uによって特徴づけられる。
伝達演算子Uの固有値Λiは、状態変数の時間発展の速さを決める。
固有関数ϕiは、状態変数の時間発展を記述する独立な変数を表す。
Quotes
"モデル縮小とは、多体系の複雑な動力学を少数の関連変数で記述することである。"
"関連変数は、将来の状態を最も良く予測する変数として定義される。"
"高圧縮の極限では、関連変数は直接最遅減衰固有関数によって決まる。"