Fugu-MT 論文翻訳(概要): Guided Manifold Alignment with Geometry-Regularized Twin Autoencoders

論文の概要: Guided Manifold Alignment with Geometry-Regularized Twin Autoencoders

arxiv url: http://arxiv.org/abs/2509.22913v1
Date: Fri, 26 Sep 2025 20:41:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-30 22:32:18.934304
Title: Guided Manifold Alignment with Geometry-Regularized Twin Autoencoders
Title（参考訳）: 幾何規則化双対オートエンコーダを用いた案内マニフォールドアライメント
Authors: Jake S. Rhodes, Adam G. Rustad, Marshall S. Nielsen, Morgan Chase McClellan, Dallan Gardner, Dawson Hedges,
Abstract要約: 本稿では、幾何学規則化された双対オートエンコーダアーキテクチャを利用した案内表現学習フレームワークを提案する。本手法は,学習した埋め込みにおける幾何学的忠実度を維持するために,構造的クロスモーダルマッピングを強制する。この枠組みをアルツハイマー病の診断に応用し、マルチモーダルな患者データを統合する能力を実証した。
参考スコア（独自算出の注目度）: 0.820984376071696
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Manifold alignment (MA) involves a set of techniques for learning shared representations across domains, yet many traditional MA methods are incapable of performing out-of-sample extension, limiting their real-world applicability. We propose a guided representation learning framework leveraging a geometry-regularized twin autoencoder (AE) architecture to enhance MA while enabling generalization to unseen data. Our method enforces structured cross-modal mappings to maintain geometric fidelity in learned embeddings. By incorporating a pre-trained alignment model and a multitask learning formulation, we improve cross-domain generalization and representation robustness while maintaining alignment fidelity. We evaluate our approach using several MA methods, showing improvements in embedding consistency, information preservation, and cross-domain transfer. Additionally, we apply our framework to Alzheimer's disease diagnosis, demonstrating its ability to integrate multi-modal patient data and enhance predictive accuracy in cases limited to a single domain by leveraging insights from the multi-modal problem.
Abstract（参考訳）: マニフォールドアライメント(MA)は、ドメイン間の共有表現を学習する一連のテクニックを含むが、多くの従来のMAメソッドはサンプル外拡張を実行できず、実際の適用範囲を制限している。本稿では、幾何規則化された双対オートエンコーダ(AE)アーキテクチャを活用してMAを向上し、未知のデータへの一般化を実現するためのガイド付き表現学習フレームワークを提案する。本手法は,学習した埋め込みにおける幾何学的忠実度を維持するために,構造的クロスモーダルマッピングを強制する。事前訓練されたアライメントモデルとマルチタスク学習の定式化を組み込むことで、アライメントの忠実さを維持しつつ、クロスドメインの一般化と表現の堅牢性を向上させる。提案手法をいくつかのMA手法を用いて評価し, 組込み一貫性, 情報保存, クロスドメイン転送の改善を示す。さらに、アルツハイマー病の診断に枠組みを適用し、マルチモーダルな患者データを統合する能力を示し、マルチモーダルな問題からの洞察を活用して、単一のドメインに制限された場合の予測精度を高める。

関連論文リスト

MoCA: Multi-modal Cross-masked Autoencoder for Digital Health Measurements [2.8493802389913694]
マルチモーダル・クロスマスクオートエンコーダ(Multi-modal Cross-masked Autoencoder, MOCA)は,トランスフォーマアーキテクチャとマスク付きオートエンコーダ(MAE)手法を組み合わせた自己教師型学習フレームワークである。 MoCAは、さまざまなベンチマークデータセット上で、再構築と下流分類タスク間で強力なパフォーマンス向上を示す。当社のアプローチは、デジタルヘルス領域にまたがる幅広い応用で、未ラベルのマルチモーダルウェアラブルデータを活用するための新しいソリューションを提供する。
論文参考訳（メタデータ） (2025-06-02T21:07:25Z)
Co-AttenDWG: Co-Attentive Dimension-Wise Gating and Expert Fusion for Multi-Modal Offensive Content Detection [0.0]
マルチモーダル学習は重要な研究の方向性として浮上している。既存のアプローチは、しばしばクロスモーダル相互作用の不足と固い融合戦略に悩まされる。本稿では,Co-AttenDWGを提案する。我々は,Co-AttenDWGが最先端性能と優れたクロスモーダルアライメントを実現することを示す。
論文参考訳（メタデータ） (2025-05-25T07:26:00Z)
Enhancing Multimodal Unified Representations for Cross Modal Generalization [52.16653133604068]
我々は、コードブック(TOC)のトレーニング不要最適化と、FCID(Fin and Coarse Cross-modal Information Disentangling)を提案する。これらの方法は、各モードの特定の特性に合わせて、事前学習から統一された離散表現を洗練し、きめ細かな情報と粗い情報の絡み合わせを行う。
論文参考訳（メタデータ） (2024-03-08T09:16:47Z)
Improving Anomaly Segmentation with Multi-Granularity Cross-Domain Alignment [17.086123737443714]
異常セグメンテーションは、画像中の非定型物体を識別する上で重要な役割を担っている。既存の手法は合成データに顕著な結果を示すが、合成データドメインと実世界のデータドメインの相違を考慮できないことが多い。シーンと個々のサンプルレベルの両方で、ドメイン間の機能を調和させるのに適した、マルチグラニュラリティ・クロスドメインアライメントフレームワークを導入します。
論文参考訳（メタデータ） (2023-08-16T22:54:49Z)
ContraReg: Contrastive Learning of Multi-modality Unsupervised Deformable Image Registration [8.602552627077056]
この研究は、マルチモーダル変形可能な登録のための教師なしコントラスト表現学習手法であるContraRegを提示する。学習したマルチスケールなローカルパッチ機能をドメイン間埋め込み空間に投影することにより、ContraRegは非厳密なマルチモードアライメントに有用な表現を得る。実験的に、ContraRegは、新生児T1-T2脳MRI登録タスクにおいて、一連のベースラインにわたる滑らかで非可逆的な変形を伴う正確で堅牢な結果を達成する。
論文参考訳（メタデータ） (2022-06-27T16:27:53Z)
An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文参考訳（メタデータ） (2021-06-06T02:27:55Z)
Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
論文参考訳（メタデータ） (2020-12-01T11:38:16Z)
Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文参考訳（メタデータ） (2020-07-17T07:52:44Z)
Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-13T18:05:36Z)
Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文参考訳（メタデータ） (2020-07-04T07:56:02Z)
A Coupled Manifold Optimization Framework to Jointly Model the Functional Connectomics and Behavioral Data Spaces [5.382679710017696]
本稿では,コホートに共通する低次元行列多様体にfMRIデータを投影する結合多様体最適化フレームワークを提案する。患者固有の負荷は、同時に第2の非線形多様体を介して、興味の行動尺度にマップされる。自閉症スペクトラム障害58例の安静時fMRIの枠組みを検証した。
論文参考訳（メタデータ） (2020-07-03T20:12:51Z)

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。