論文の概要: Sculpting Latent Spaces With MMD: Disentanglement With Programmable Priors

• arxiv url: http://arxiv.org/abs/2510.11953v1
• Date: Mon, 13 Oct 2025 21:26:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.098356
• Title: Sculpting Latent Spaces With MMD: Disentanglement With Programmable Priors
• Title（参考訳）: MMDで潜伏空間を解析する:プログラマブルプライオリティとの絡み合い
• Authors: Quentin Fruytier, Akshay Malhotra, Shahab Hamidi-Rad, Aditya Sant, Aryan Mokhtari, Sujay Sanghavi,
• Abstract要約: 最大平均離散性(MMD)に基づく手法であるProgrammable Prior Frameworkを導入する。 我々の研究は、表現工学の基礎となるツールを提供し、モデル識別可能性と因果推論のための新しい道を開く。
• 参考スコア（独自算出の注目度）: 30.182736043604304
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning disentangled representations, where distinct factors of variation are captured by independent latent variables, is a central goal in machine learning. The dominant approach has been the Variational Autoencoder (VAE) framework, which uses a Kullback-Leibler (KL) divergence penalty to encourage the latent space to match a factorized Gaussian prior. In this work, however, we provide direct evidence that this KL-based regularizer is an unreliable mechanism, consistently failing to enforce the target distribution on the aggregate posterior. We validate this and quantify the resulting entanglement using our novel, unsupervised Latent Predictability Score (LPS). To address this failure, we introduce the Programmable Prior Framework, a method built on the Maximum Mean Discrepancy (MMD). Our framework allows practitioners to explicitly sculpt the latent space, achieving state-of-the-art mutual independence on complex datasets like CIFAR-10 and Tiny ImageNet without the common reconstruction trade-off. Furthermore, we demonstrate how this programmability can be used to engineer sophisticated priors that improve alignment with semantically meaningful features. Ultimately, our work provides a foundational tool for representation engineering, opening new avenues for model identifiability and causal reasoning.
• Abstract（参考訳）: 独立した潜伏変数によって変化の異なる要因をキャプチャする非絡み合い表現の学習は、機械学習における中心的な目標である。 主なアプローチは変分オートエンコーダ (VAE) フレームワークであり、KL(Kulback-Leibler) の発散ペナルティを用いて、因数化ガウス空間に適合する潜在空間を奨励している。 しかしながら、本研究では、このKLベースの正則化器が信頼性の低い機構であり、集合体後部における目標分布を一貫して強制できないという直接的な証拠を提供する。 これを検証し、新しい非教師付き潜在予測可能性スコア(LPS)を用いて、結果の絡み合いを定量化する。 この障害に対処するために、最大平均離散性(MMD)に基づくメソッドであるProgrammable Prior Frameworkを導入する。 当社のフレームワークは,CIFAR-10やTiny ImageNetのような複雑なデータセットに対して,共通再構築のトレードオフを伴わずに,最先端の相互独立性を実現することによって,潜伏空間を明示的に彫刻することを可能にする。 さらに,このプログラマビリティを,意味論的に意味のある機能との整合性を改善する高度な事前設計に活用する方法を実証する。 最終的に、我々の研究は表現工学の基礎となるツールを提供し、モデル識別可能性と因果推論のための新たな道を開く。

関連論文リスト

• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• How to train your VAE [0.0]
  変分オートエンコーダ(VAE)は、機械学習における生成モデリングと表現学習の基盤となっている。 本稿では,ELBO(エビデンス・ロウアー・バウンド)における重要な構成要素であるKLディバージェンス(Kulback-Leibler)の解釈について検討する。 提案手法は, ELBOを後続確率のガウス混合体で再定義し, 正規化項を導入し, テクスチャリアリズムを高めるためにPatchGAN識別器を用いる。
  論文  参考訳（メタデータ） (2023-09-22T19:52:28Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent Space Distribution Matching in WAE [51.09507030387935]
  Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。 本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。 WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
  論文  参考訳（メタデータ） (2021-10-19T22:55:47Z)

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。