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
- 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) - 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) - 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)
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。