論文の概要: Noise-robust Contrastive Learning for Critical Transition Detection in Dynamical Systems

• arxiv url: http://arxiv.org/abs/2512.12523v1
• Date: Sun, 14 Dec 2025 02:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.297549
• Title: Noise-robust Contrastive Learning for Critical Transition Detection in Dynamical Systems
• Title（参考訳）: 動的システムにおける臨界遷移検出のためのノイズ・ロバストコントラスト学習
• Authors: Wenqi Fang, Ye Li,
• Abstract要約: コントラスト学習の性能を高めるために,特異値分解法と厳密な半直交性制約付きトレーニングアルゴリズムを用いて構築したニューラルネットワークアーキテクチャを提案する。 実験により,提案手法は臨界遷移の同定において従来のコントラスト学習手法と一致しているが,より軽量であり,耐雑音性も著しく高いことがわかった。
• 参考スコア（独自算出の注目度）: 5.200182347468058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting critical transitions in complex, noisy time-series data is a fundamental challenge across science and engineering. Such transitions may be anticipated by the emergence of a low-dimensional order parameter, whose signature is often masked by high-amplitude stochastic variability. Standard contrastive learning approaches based on deep neural networks, while promising for detecting critical transitions, are often overparameterized and sensitive to irrelevant noise, leading to inaccurate identification of critical points. To address these limitations, we propose a neural network architecture, constructed using singular value decomposition technique, together with a strictly semi-orthogonality-constrained training algorithm, to enhance the performance of traditional contrastive learning. Extensive experiments demonstrate that the proposed method matches the performance of traditional contrastive learning techniques in identifying critical transitions, yet is considerably more lightweight and markedly more resistant to noise.
• Abstract（参考訳）: 複雑でノイズの多い時系列データの臨界遷移を検出することは、科学と工学における根本的な課題である。 このような遷移は低次元の順序パラメータの出現によって予測され、そのシグネチャは高振幅確率変数によって隠蔽されることが多い。 深いニューラルネットワークに基づく標準的な対照的な学習アプローチは、臨界遷移を検出することを約束しているが、しばしば過度にパラメータ化され、無関係な雑音に敏感であり、臨界点の不正確な識別につながる。 これらの制約に対処するため、従来のコントラスト学習の性能を高めるために、特異値分解法と厳密な半直交性制約付きトレーニングアルゴリズムを用いて構築されたニューラルネットワークアーキテクチャを提案する。 大規模な実験により、提案手法は臨界遷移の同定において従来のコントラスト学習手法の性能と一致するが、より軽量であり、ノイズに強いことが示されている。

関連論文リスト

• Optimizing Multi-Modal Trackers via Sensitivity-aware Regularized Tuning [112.12667472919723]
  本稿では,RGBデータに対する事前学習モデルを効果的に適用することにより,マルチモーダルトラッカーの最適化に挑戦する。 既存の微調整パラダイムは過度な自由と過剰な制限の間に振動し、最適の可塑性-安定性のトレードオフをもたらす。 そこで本研究では,本質的なパラメータ感を取り入れて学習プロセスを微妙に洗練する,感性に配慮した規則化チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-24T18:42:47Z)
• Enhanced Deep Learning DeepFake Detection Integrating Handcrafted Features [44.45692491500845]
  ディープフェイクとフェイススワップ技術は、デジタルセキュリティに大きな懸念を引き起こしている。 本研究では,手作りの周波数領域特徴と従来のRGB入力を併用した深層学習検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-28T08:19:22Z)
• Normalization and effective learning rates in reinforcement learning [52.59508428613934]
  正規化層は近年,深層強化学習と連続学習文学においてルネッサンスを経験している。 正規化は、ネットワークパラメータのノルムにおける成長と効果的な学習速度における崩壊の間の等価性という、微妙だが重要な副作用をもたらすことを示す。 そこで本研究では,正規化・プロジェクトと呼ぶ単純な再パラメータ化により,学習率を明示的にする手法を提案する。
  論文  参考訳（メタデータ） (2024-07-01T20:58:01Z)
• Denoising neural networks for magnetic resonance spectroscopy [2.397411219508639]
  多くの科学的応用において、測定された時系列はノイズや歪みによって破壊される。 本研究では,Deep Learning-based denoising法が従来の手法より優れていることを示す。 我々のモチベーションの例としては磁気共鳴分光法があり、これは短周期低振幅の電波信号の存在を検出することが主目的である。
  論文  参考訳（メタデータ） (2022-10-31T18:26:21Z)
• Transformer Meets Boundary Value Inverse Problems [4.165221477234755]
  変圧器を用いた深部直接サンプリング法は境界値逆問題のクラスを解くために提案される。 慎重に設計されたデータと再構成された画像の間に学習した逆演算子を評価することにより、リアルタイムな再構成を実現する。
  論文  参考訳（メタデータ） (2022-09-29T17:45:25Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• Meta Transition Adaptation for Robust Deep Learning with Noisy Labels [61.8970957519509]
  本研究では,新しいメタ遷移学習戦略を提案する。 具体的には、クリーンなラベル付きメタデータの小さなセットのサウンドガイダンスにより、ノイズ遷移行列と分類器パラメータを相互に改善することができる。 本手法は, 従来技術よりも頑健な性能で, 遷移行列をより正確に抽出することができる。
  論文  参考訳（メタデータ） (2020-06-10T07:27:25Z)
• Noise-Sampling Cross Entropy Loss: Improving Disparity Regression Via Cost Volume Aware Regularizer [38.86850327892113]
  本稿では,ディープニューラルネットワークが生み出すコストを一様かつコヒーレントに調整するためのノイズサンプリングクロスエントロピー損失関数を提案する。 実験により、提案されたノイズサンプリングクロスエントロピー損失は、ニューラルネットワークがより情報的なコストボリュームを学ぶのに役立つだけでなく、ステレオマッチング性能の向上につながることが検証された。
  論文  参考訳（メタデータ） (2020-05-18T15:29:55Z)

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。