B-PINN dan pergeseran kolider: penyebab, diagnosis, dan alternatif berbasis rantai
Para penulis menunjukkan bahwa skema B-PINN yang umum digunakan, di mana parameter apriori independen dihubungkan melalui likelihood virtual dari residual persamaan diferensial, dapat secara sistematis menggeser estimasi posterior besaran fisik. Sebagai gantinya, mereka mengusulkan model rantai hierarkis dengan diskretisasi dinamika stokastik dan pengambilan sampel particle MCMC, serta memberikan kriteria untuk mendiagnosis keandalan pendekatan standar.

Penyebab bias kolider
Bias kolider pada B-PINNs berkaitan dengan struktur model. B-PINNs adalah jaringan saraf berinformasi fisika Bayesian. Formulasi yang dikenal menggunakan struktur kolider.
- Parameter fisika dan parameter lintasan diasumsikan independen secara apriori.
- Keduanya dihubungkan melalui fungsi likelihood virtual untuk residual persamaan diferensial.
- Fungsi-fungsi ini memastikan konsistensi fisika.
- Struktur tersebut dapat menimbulkan bias sistematis yang kuat pada distribusi posterior parameter fisika.
Bias seperti ini tetap muncul meskipun pemusatan prior menguntungkan. Bahkan jika distribusi prior dipusatkan pada parameter sebenarnya, distribusi posterior dapat bergeser. Distribusi tersebut terkonsentrasi jauh dari nilai sebenarnya.
Kesimpulan: risiko ini berkaitan dengan struktur kolider, bukan hanya dengan pemilihan distribusi prior. Memeriksa pemusatan prior saja tidak menyelesaikan persoalan.
Diagnosis bias kolider
Diagnosis bertumpu pada analisis mekanisme bias. Penulis makalah arXiv:2610.11737 mengidentifikasi dua mekanisme yang berbeda. Untuk masing-masing mekanisme, mereka menurunkan pendekatan analitis terhadap besarnya bias.
- Kriteria memprediksi kapan B-PINNs standar tetap andal.
- Pendekatan tersebut menjadi dasar bagi kriteria ini.
- Eksperimen mengonfirmasi bias yang diprediksi.
- Formulasi berantai berhasil menghindari bias.
Kriteria praktis: pertama-tama, periksa kondisi keandalan B-PINN standar. Jika kriteria menunjukkan adanya risiko, jangan gunakan formulasi kolider.
Alternatif berantai
Model berantai mengubah hierarkinya. Fisika menghasilkan lintasan, lalu lintasan menghasilkan pengamatan. Model ini tidak mengalami bias posterior yang disebutkan.

Inferensi statistik dalam model berantai lebih rumit. Masalahnya menjadi «doubly intractable» karena konstanta normalisasi bergantung pada fisika. Solusinya adalah mendiskretisasi dinamika stokastik yang mendasarinya. Setelah diskretisasi, distribusi posterior model berantai disampel secara eksak menggunakan particle MCMC.
Kriteria praktis: model berantai diperlukan jika ada risiko bias kolider. Model ini memerlukan diskretisasi dinamika dan particle MCMC.
Perbandingan dan kriteria pemilihan
| Aspek | B-PINN standar | Model berantai |
|---|---|---|
| Hierarki | Parameter fisika dan lintasan independen secara apriori; dihubungkan melalui fungsi likelihood virtual untuk residual | Fisika menghasilkan lintasan; lintasan menghasilkan pengamatan |
| Bias | Distribusi posterior parameter fisika dapat mengalami bias sistematis yang kuat | Bias posterior yang disebutkan tidak muncul |
| Tantangan utama | Risiko bias akibat struktur kolider | Masalah «doubly intractable» karena konstanta normalisasi bergantung pada fisika |
| Langkah praktis | Memeriksa kriteria diagnostik keandalan | Diskretisasi dinamika stokastik dan particle MCMC |
| Konfirmasi | Eksperimen mengonfirmasi bias yang diprediksi | Formulasi berantai berhasil menghindari bias |
Kriteria pemilihan bertumpu pada diagnosis. Jika kriteria mengonfirmasi keandalan B-PINN standar, formulasi kolider dapat digunakan. Jika kriteria menunjukkan risiko bias, pilih model berantai. Model berantai memerlukan diskretisasi dinamika dan particle MCMC.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
Penyempurnaan model generatif gambar: mempertimbangkan preferensi dan kategori secara bersamaan
Artikel ini menjelaskan metode pascapelatihan model text-to-image dalam domain terbuka, dengan sinyal preferensi manusia yang dilengkapi pemeriksaan berbasis rubrik terhadap kesesuaian dengan prompt dan sifat yang diinginkan. Hasilnya menunjukkan bahwa perataan berbobot atas reward kalah dari skema yang diusulkan, sementara dalam snapshot Arena, Flux2dev dan Ideogram-4 yang telah disempurnakan menunjukkan peningkatan Elo yang signifikan.
14 November 2026
Benchmark Zero2Repo: Batas kemampuan membangun proyek secara mandiri dari direktori kosong
Penelitian ini mengusulkan untuk mengevaluasi agen pemrograman pada seluruh proses pembangunan repositori: inputnya adalah spesifikasi, kontrak antarmuka, dan lingkungan kosong; evaluasinya menggunakan tes tersembunyi tanpa penilai LLM. Bahkan agen terkemuka jarang berhasil melewati semua pemeriksaan, dan sebagian besar kegagalan disebabkan oleh persyaratan tertentu yang terlewat.
13 November 2026
FedSocket: Model yang dapat dipertukarkan dengan kemampuan eksekusi wajib di pihak penerima dalam heterogenitas multimodal
Diperkenalkan FedSocket—pendekatan yang mengharuskan model yang dipertukarkan dapat dijalankan di sisi penerima, sementara model-model privat yang heterogen dihubungkan oleh antarmuka prediksi bersama Q. Artikel ini menjelaskan agregasi berbasis keanggotaan, pengiriman hanya parameter Q beserta penghitung, serta eksperimen pada enam dataset yang menunjukkan peningkatan akurasi saat modalitas tidak tersedia dan keunggulan inferensi Joint dibandingkan ensemble independen.
13 November 2026