Сквилер: когда модель данных издаёт визг ✛ ✦

Оригинал: "The Squealer: Sensification of model exploration and model misfit"
arXiv:2606.29842 · 2026-06-29 · CC BY 4.0 · 1 мин
Программа превращает напряжение между данными и моделью в слышимый сигнал, позволяя буквально услышать ошибки.

Гибкая линейка, прижатая к столу в нескольких точках, образует плавный изгиб. Стоит сдвинуть один участок — раздаётся скрип: линейка сопротивляется деформации. Сквилер работает так же: пользователь тянет кривую на графике, а программа превращает сопротивление модели в звук — тем громче, чем жестче модель отказывается принимать новые данные. В космологии это раскрыло неожиданную жёсткость моделей. Спутниковые снимки реликтового излучения (эха Большого взрыва) должны совпасть с кривой, описывающей расширение Вселенной под влиянием тёмной материи и тёмной энергии.

Попытка исправить кривую в одной области вызвала резкий визг — модель категорически не согласна.

Другие участки отзывались тихим шумом, допуская гибкость. Метод, объединивший машинное обучение и численное моделирование, выявляет напряжения, невидимые глазу. Удивительное открытие: самая громкая какофония возникает там, где модель входит в конфликт с законами Эдвина Хаббла и Жоржа Леметра, а также с теорией инфляции Алана Гута — словно данные «кричат» о новых явлениях, выходящих за рамки известной физики.

В тестовой версии идеальная кривая резонировала как камертон, но малейший сдвиг рождал скрежет — так создатели поняли, что слышат «боль» модели. Чем дальше точка от предсказания, тем выше тон шума, поэтому опытные пользователи могут узнавать величину ошибки по высоте звука, не глядя на экран.

p(\theta|y) \propto p(\theta|y) \, \mathcal{N}(y^* | g(x^*|\theta), \sigma_*^2)
Аугментированная апостериорная плотность получается умножением исходной на нормальное распределение с центром в желаемом значении кривой y* и малой дисперсией sigma_*^2, что действует как мягкое ограничение.
k(t, t') = \alpha \exp\left(-\frac{(t-t')^2}{2\ell^2}\right)
Ядро определяет ковариацию между двумя точками по времени t и t' с параметрами амплитуды alpha и характерной длины корреляции ell.
Учёные
Andrey Markov
Понятия
переобучение подгонка методом наименьших квадратов качество подгонки регуляризация информационный критерий анализ речи с помощью ИИ подгонка параметров усвоение данных профильное правдоподобие гауссовский процесс компьютерное моделирование классификатор сравнение моделей смоделированные данные распознавание речи выбор модели кросс-корреляция статистический анализ масштабируемый параметр