論文の概要: ARGUS: Adaptive Rotation-Invariant Geometric Unsupervised System

• arxiv url: http://arxiv.org/abs/2601.01297v1
• Date: Sat, 03 Jan 2026 22:39:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.175768
• Title: ARGUS: Adaptive Rotation-Invariant Geometric Unsupervised System
• Title（参考訳）: ARGUS:適応回転不変幾何学的非教師システム
• Authors: Anantha Sharma,
• Abstract要約: 本稿では,データ多様体の固定空間分割上での局所統計追跡としてドリフト検出を再現するフレームワークであるArgusを紹介する。 正準正則フレーム上のボロノイテッセルレーションは変換に不変なドリフト計量をもたらす。 孤立摂動からコヒーレントな分布シフトを区別するドリフト伝播のグラフ理論的特徴付けを開発した。
• 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: Detecting distributional drift in high-dimensional data streams presents fundamental challenges: global comparison methods scale poorly, projection-based approaches lose geometric structure, and re-clustering methods suffer from identity instability. This paper introduces Argus, A framework that reconceptualizes drift detection as tracking local statistics over a fixed spatial partition of the data manifold. The key contributions are fourfold. First, it is proved that Voronoi tessellations over canonical orthonormal frames yield drift metrics that are invariant to orthogonal transformations. The rotations and reflections that preserve Euclidean geometry. Second, it is established that this framework achieves O(N) complexity per snapshot while providing cell-level spatial localization of distributional change. Third, a graph-theoretic characterization of drift propagation is developed that distinguishes coherent distributional shifts from isolated perturbations. Fourth, product quantization tessellation is introduced for scaling to very high dimensions (d>500) by decomposing the space into independent subspaces and aggregating drift signals across subspaces. This paper formalizes the theoretical foundations, proves invariance properties, and presents experimental validation demonstrating that the framework correctly identifies drift under coordinate rotation while existing methods produce false positives. The tessellated approach offers a principled geometric foundation for distribution monitoring that preserves high-dimensional structure without the computational burden of pairwise comparisons.
• Abstract（参考訳）: 高次元データストリームにおける分布ドリフトの検出は,グローバル比較手法のスケール不足,プロジェクションベースアプローチの幾何学的構造喪失,再クラスタリング手法のアイデンティティ不安定化など,基本的な課題を提示する。 本稿では,データ多様体の固定空間分割上での局所統計追跡としてドリフト検出を再認識するフレームワークであるArgusを紹介する。 主な貢献は4つある。 まず、正準正則フレーム上のボロノイテッセルレーションが直交変換に不変なドリフト計量をもたらすことが証明された。 ユークリッド幾何学を保存する回転と反射。 第2に、このフレームワークは、分布変化のセルレベルの空間的局所化を提供しながら、スナップショット当たりのO(N)複雑性を実現することが確立された。 第3に、分離された摂動からコヒーレントな分布シフトを区別するドリフト伝播のグラフ理論的特徴付けを開発する。 第4に、空間を独立した部分空間に分解し、部分空間にまたがるドリフト信号を集約することにより、非常に高次元(d>500)にスケールするために製品量子化テッセルレーションを導入する。 本稿では, 理論の基礎を定式化し, 不変性を証明し, 既往の手法が偽陽性を生じている間に, 座標回転下でのドリフトを正しく同定できることを実験的に検証する。 テッセル化アプローチは、ペア比較の計算負担を伴わずに高次元構造を保存する分散監視のための原則化された幾何学的基礎を提供する。

関連論文リスト

• Manifold Percolation: from generative model to Reinforce learning [0.26905021039717986]
  生成的モデリングは通常、学習マッピング規則としてフレーム化されるが、これらの規則にアクセスできない観察者の視点からすると、そのタスクは確率分布から幾何学的支援を引き離すことになる。 本研究は, サンプリングプロセスが, 高次元密度推定を支持面上の幾何カウント問題に効果的に投射するので, 連続体パーコレーションは, この支援解析に一意に適していることを示す。
  論文  参考訳（メタデータ） (2025-11-25T17:12:42Z)
• Enforcing Latent Euclidean Geometry in Single-Cell VAEs for Manifold Interpolation [79.27003481818413]
  離散的様相変分オートエンコーダの潜在多様体をユークリッド幾何学へ正規化する訓練フレームワークであるFlatVIを紹介する。 遅延空間の直線を復号化された単セル多様体上の測地線に近似させることで、FlatVIは下流アプローチとの整合性を高める。
  論文  参考訳（メタデータ） (2025-07-15T23:08:14Z)
• Relative Representations: Topological and Geometric Perspectives [50.85040046976025]
  相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。 相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。 第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
  論文  参考訳（メタデータ） (2024-09-17T08:09:22Z)
• EqNIO: Subequivariant Neural Inertial Odometry [33.96552018734359]
  重力ベクトルの周りで回転すると、IMUデータは等変的に変形し、重力に平行な任意の平面に対して反射することを示す。 そして、IMUデータをこのフレームにマッピングし、既製の慣性オドメトリーネットワークで直接使用できる不変な正準化を実現する。
  論文  参考訳（メタデータ） (2024-08-12T17:42:46Z)
• Geometric Scattering on Measure Spaces [15.819230791757906]
  測度空間上での幾何散乱の一般統一モデルを導入する。 未知多様体をランダムにサンプリングして得られる有限測度空間を考える。 本稿では, 関連するグラフ散乱変換が基礎多様体上の散乱変換を近似するデータ駆動グラフを構築するための2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-08-17T22:40:09Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)

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。