論文の概要: Deep Feedback Models

• arxiv url: http://arxiv.org/abs/2509.15905v1
• Date: Fri, 19 Sep 2025 12:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.153742
• Title: Deep Feedback Models
• Title（参考訳）: 深層フィードバックモデル
• Authors: David Calhas, Arlindo L. Oliveira,
• Abstract要約: ディープフィードバックモデル(Deep Feedback Models, DFM)は、ボトムアップ入力と高レベルの表現を時間とともに組み合わせた、ステートフルニューラルネットワークの新たなクラスである。 このフィードバックメカニズムは静的なアーキテクチャにダイナミクスを導入し、DFMが内部状態を反復的に洗練することを可能にする。 ノイズに対するロバスト性と限られたデータによる一般化の2つの主要な条件下でDFMを測定する。
• 参考スコア（独自算出の注目度）: 0.9310318514564272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Feedback Models (DFMs) are a new class of stateful neural networks that combine bottom up input with high level representations over time. This feedback mechanism introduces dynamics into otherwise static architectures, enabling DFMs to iteratively refine their internal state and mimic aspects of biological decision making. We model this process as a differential equation solved through a recurrent neural network, stabilized via exponential decay to ensure convergence. To evaluate their effectiveness, we measure DFMs under two key conditions: robustness to noise and generalization with limited data. In both object recognition and segmentation tasks, DFMs consistently outperform their feedforward counterparts, particularly in low data or high noise regimes. In addition, DFMs translate to medical imaging settings, while being robust against various types of noise corruption. These findings highlight the importance of feedback in achieving stable, robust, and generalizable learning. Code is available at https://github.com/DCalhas/deep_feedback_models.
• Abstract（参考訳）: ディープフィードバックモデル(Deep Feedback Models, DFM)は、ボトムアップ入力と高レベルの表現を時間とともに組み合わせた、ステートフルニューラルネットワークの新たなクラスである。 このフィードバックメカニズムは静的なアーキテクチャにダイナミクスを導入し、DFMが内部状態を反復的に洗練し、生物学的な意思決定の側面を模倣することを可能にする。 我々はこの過程を、再帰的ニューラルネットワークによって解かれた微分方程式としてモデル化し、指数減衰によって安定化し、収束を保証する。 有効性を評価するために,DFMを雑音に対する頑健性と限られたデータによる一般化という2つの重要な条件下で測定する。 オブジェクト認識とセグメンテーションの両方のタスクでは、DFMはフィードフォワード(特に低データや高ノイズ)よりも一貫して優れています。 さらに、DFMは様々な種類のノイズ汚染に対して堅牢でありながら、医療画像設定に変換する。 これらの知見は、安定した、堅牢で、一般化可能な学習を実現する上で、フィードバックの重要性を浮き彫りにしている。 コードはhttps://github.com/DCalhas/deep_feedback_modelsで入手できる。

関連論文リスト

• Data-Driven Reconstruction and Characterization of Stochastic Dynamics via Dynamical Mode Decomposition [0.0]
  ノイズは古典力学系と量子力学系の性能と予測能力を制限する。 本稿では,動的モード分解(Dynamical Mode Decomposition, DMD)に基づく一般的なデータ駆動型フレームワークを提案する。 この手法は、複雑なシステムの診断、予測、ノイズ緩和分析、制御に広く応用できるツールを提供する。
  論文  参考訳（メタデータ） (2025-07-08T08:59:06Z)
• FEMSN: Frequency-Enhanced Multiscale Network for fault diagnosis of rotating machinery under strong noise environments [0.6970521089724208]
  転がり軸受は回転機械の重要な構成要素であり, 工業生産に不可欠な機能である。 既存の状態モニタリング手法は、時間領域信号から異種の特徴を抽出し、健康状態を評価することに焦点を当てている。 本稿では,FEMSNと呼ばれる新しいCNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-07T07:58:48Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Diffusion Recommender Model [85.9640416600725]
  そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
  論文  参考訳（メタデータ） (2023-04-11T04:31:00Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Establishment of Neural Networks Robust to Label Noise [0.0]
  本稿では,関連ラベルノイズ手法の基本概念について検討した。 遷移行列推定器が作成され、実際の遷移行列に対する効果が示されている。 複雑な畳み込みニューラルネットワークモデルを正しく調整できないため、遷移行列ノイズ補正が堅牢性向上に与える影響を効率よく示すことはできない。
  論文  参考訳（メタデータ） (2022-11-28T13:07:23Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)

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。