Fugu-MT 論文翻訳(概要): Perception Learning: A Formal Separation of Sensory Representation Learning from Decision Learning

論文の概要: Perception Learning: A Formal Separation of Sensory Representation Learning from Decision Learning

arxiv url: http://arxiv.org/abs/2510.24356v1
Date: Tue, 28 Oct 2025 12:19:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-29 15:35:37.109473
Title: Perception Learning: A Formal Separation of Sensory Representation Learning from Decision Learning
Title（参考訳）: 知覚学習:決定学習からの感覚表現学習の形式的分離
Authors: Suman Sanyal,
Abstract要約: 本稿では,エージェントの知覚インタフェースを最適化するパラダイムである知覚学習(PeL)を紹介する。 PeLは、ニュアンセへの安定性など、ラベルのない知覚特性を直接ターゲットとしている。知覚品質を認定するタスク非依存評価指標のスイートを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We introduce Perception Learning (PeL), a paradigm that optimizes an agent's sensory interface $f_\phi:\mathcal{X}\to\mathcal{Z}$ using task-agnostic signals, decoupled from downstream decision learning $g_\theta:\mathcal{Z}\to\mathcal{Y}$. PeL directly targets label-free perceptual properties, such as stability to nuisances, informativeness without collapse, and controlled geometry, assessed via objective representation-invariant metrics. We formalize the separation of perception and decision, define perceptual properties independent of objectives or reparameterizations, and prove that PeL updates preserving sufficient invariants are orthogonal to Bayes task-risk gradients. Additionally, we provide a suite of task-agnostic evaluation metrics to certify perceptual quality.
Abstract（参考訳）: 本稿では,エージェントの知覚インターフェースを最適化するパラダイムであるPerception Learning (PeL)を紹介した。このパラダイムは,タスクに依存しない信号を用いて,下流の意思決定学習から切り離されたパラメータである$g_\theta:\mathcal{Z}\to\mathcal{Y}$である。 PeLは直接的にラベルのない知覚特性、例えばニュアンスへの安定性、崩壊のない情報性、客観的表現不変のメトリクスによって評価される制御幾何をターゲットとしている。我々は、知覚と決定の分離を形式化し、目的や再パラメータ化とは無関係に知覚特性を定義し、十分な不変量を保持するPeL更新がベイズタスクリスク勾配に直交していることを証明する。さらに、知覚品質を認定するタスク非依存評価指標のスイートも提供します。

関連論文リスト

MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。 MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
論文参考訳（メタデータ） (2026-02-19T05:20:31Z)
LLM-Assisted Semantic Guidance for Sparsely Annotated Remote Sensing Object Detection [25.9348571356454]
リモートセンシングオブジェクト検出のためのLLM支援セマンティックガイダンスフレームワーク Dense Pseudo-Label Assignmentメカニズムは、ラベルなしデータと疎ラベル付きデータの両方に擬似ラベルを適応的に割り当てる。 Adaptive Hard-Negative Reweighting Module による教師付き学習領域の安定化
論文参考訳（メタデータ） (2025-09-21T08:05:43Z)
Learning to Weight Parameters for Training Data Attribution [62.830878652285406]
本稿では,アノテートラベルを必要とせず,パラメータ重み付けをデータから直接明示的に学習する手法を提案する。提案手法は,画像分類,言語モデリング,拡散など多種多様なタスクに対する帰属精度を向上し,主題やスタイルといった概念に対する微粒な帰属を可能にする。
論文参考訳（メタデータ） (2025-06-06T00:32:04Z)
Unlearning Isn't Deletion: Investigating Reversibility of Machine Unlearning in LLMs [38.837810490068556]
大規模言語モデル(LLM)におけるアンラーニングは、指定されたデータを削除することを目的としているが、その効果は通常、正確性や複雑度のようなタスクレベルのメトリクスで評価される。最小限の微調整によって元の動作が容易に復元される間、モデルは忘れることができることを実証する。この表現可能性の現象は、情報は単に抑圧されているだけであり、真に消去されていないことを示唆している。
論文参考訳（メタデータ） (2025-05-22T16:02:10Z)
PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文参考訳（メタデータ） (2024-09-24T07:57:21Z)
Geometric Remove-and-Retrain (GOAR): Coordinate-Invariant eXplainable AI Assessment [3.7399138244928145]
Remove-and-Retrain(ROAR)は、個々のピクセルの重要性を評価するために広く受け入れられているアプローチである。 Geometric Remove-and-Retrain (GOAR) という新たな機能摂動手法を導入する。 GOARはピクセル中心のメトリクスの制限を超越する。
論文参考訳（メタデータ） (2024-07-17T08:28:53Z)
Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。モデルに基づくベイズ強化学習の観点から問題を考察する。本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
論文参考訳（メタデータ） (2023-08-12T14:59:19Z)
Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
論文参考訳（メタデータ） (2023-03-03T02:07:40Z)
Bayesian Evidential Learning for Few-Shot Classification [22.46281648187903]
Few-Shot 分類は、非常に限定されたラベル付きサンプルをベースクラスから新しいクラスに一般化することを目的としている。最先端のソリューションは、サンプル間の距離を計算するための良い計量と表現空間を見つけることを含む。有望な精度性能にもかかわらず、計量ベースのFSC手法の不確実性を効果的にモデル化する方法は依然として課題である。
論文参考訳（メタデータ） (2022-07-19T03:58:00Z)
Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文参考訳（メタデータ） (2022-03-11T02:37:35Z)
Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器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） (2020-02-19T08:35:15Z)

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。