論文の概要: End-to-End Deep Learning for Predicting Metric Space-Valued Outputs

• arxiv url: http://arxiv.org/abs/2509.23544v1
• Date: Sun, 28 Sep 2025 00:46:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.283032
• Title: End-to-End Deep Learning for Predicting Metric Space-Valued Outputs
• Title（参考訳）: 計量空間値出力予測のためのエンド・ツー・エンド深層学習
• Authors: Yidong Zhou, Su I Iao, Hans-Georg Müller,
• Abstract要約: 本稿では,計量空間値出力を予測するためのディープラーニングフレームワークであるE2Mを紹介する。 E2Mは、トレーニング出力よりも重み付けされたFr'teche手段を介して予測を行う。 以上の結果から,E2Mは常に最先端の性能を達成でき,その優位性はより大きいサンプルサイズでより顕著になることがわかった。
• 参考スコア（独自算出の注目度）: 4.855663359344747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many modern applications involve predicting structured, non-Euclidean outputs such as probability distributions, networks, and symmetric positive-definite matrices. These outputs are naturally modeled as elements of general metric spaces, where classical regression techniques that rely on vector space structure no longer apply. We introduce E2M (End-to-End Metric regression), a deep learning framework for predicting metric space-valued outputs. E2M performs prediction via a weighted Fr\'echet means over training outputs, where the weights are learned by a neural network conditioned on the input. This construction provides a principled mechanism for geometry-aware prediction that avoids surrogate embeddings and restrictive parametric assumptions, while fully preserving the intrinsic geometry of the output space. We establish theoretical guarantees, including a universal approximation theorem that characterizes the expressive capacity of the model and a convergence analysis of the entropy-regularized training objective. Through extensive simulations involving probability distributions, networks, and symmetric positive-definite matrices, we show that E2M consistently achieves state-of-the-art performance, with its advantages becoming more pronounced at larger sample sizes. Applications to human mortality distributions and New York City taxi networks further demonstrate the flexibility and practical utility of the framework.
• Abstract（参考訳）: 現代の応用の多くは、確率分布、ネットワーク、対称正定値行列などの非ユークリッド出力の予測を含む。 これらの出力は、ベクトル空間構造に依存する古典的回帰手法がもはや適用されない一般計量空間の要素として自然にモデル化される。 E2M(End-to-End Metric regression)は,計量空間値出力を予測するディープラーニングフレームワークである。 E2Mは、トレーニング出力よりも重み付きFr\'echet手段を介して予測を行い、入力に条件付きニューラルネットワークによって重みが学習される。 この構成は、射影埋め込みや制限的なパラメトリック仮定を回避し、出力空間の内在幾何学を完全に保存する、幾何認識予測の原理的なメカニズムを提供する。 本稿では,モデルの表現能力を特徴付ける普遍近似定理や,エントロピー規則化学習目標の収束解析など,理論的保証を確立する。 確率分布,ネットワーク,対称正定値行列を含む広範囲なシミュレーションにより,E2Mは一貫して最先端の性能を達成し,その利点はより大きなサンプルサイズでより顕著になることを示す。 人間の死亡率分布やニューヨーク市のタクシーネットワークへの応用は、このフレームワークの柔軟性と実用性をさらに証明している。

関連論文リスト

• Wrapped Gaussian on the manifold of Symmetric Positive Definite Matrices [4.678796432640703]
  円形および非平坦なデータ分布は、データ科学の様々な領域で広く使われている。 このようなデータの基盤となる幾何学を考慮に入れるための原則的なアプローチは、重要なものである。 この研究は、古典的な機械学習と統計手法をより複雑で構造化されたデータに拡張するための基礎となる。
  論文  参考訳（メタデータ） (2025-02-03T16:46:46Z)
• Deep Fréchet Regression [4.915744683251151]
  パラメトリックな仮定を課さずに高次元予測器を扱えるフレキシブル回帰モデルを提案する。 提案手法は,非ユークリッド応答に対する既存手法よりも優れている。
  論文  参考訳（メタデータ） (2024-07-31T07:54:14Z)
• Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
  広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。 実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-26T18:31:52Z)
• Machine Learning and Polymer Self-Consistent Field Theory in Two Spatial Dimensions [0.491574468325115]
  深層学習を伴う自己整合場理論シミュレーションのデータを活用する計算フレームワークを提案する。 サドル点, 局所平均モノマー密度場を効率よく正確に予測するために, GAN(Generative Adversarial Network)を導入した。 このGANアプローチは、メモリと計算コストの両方を節約する。
  論文  参考訳（メタデータ） (2022-12-16T04:30:16Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)
• A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
  ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。 我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
  論文  参考訳（メタデータ） (2021-05-06T17:36:55Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。