論文の概要: Hypersolid: Emergent Vision Representations via Short-Range Repulsion
- arxiv url: http://arxiv.org/abs/2601.21255v1
- Date: Thu, 29 Jan 2026 04:25:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.573865
- Title: Hypersolid: Emergent Vision Representations via Short-Range Repulsion
- Title（参考訳）: 超固体:短距離反発による創発的視覚表現
- Authors: Esteban Rodríguez-Betancourt, Edgar Casasola-Murillo,
- Abstract要約: 我々は表現学習を離散的なパッキング問題として再解釈し、情報保存はインジェクティビティを維持するのを単純化する。
局所衝突を防止するために短距離ハードボール反発を用いたハイパーソリッドでこれを運用する。
この制約は、増大する多様性を保ち、きめ細かな、低解像度の分類タスクに優れた、高度に分離された幾何学的構造をもたらす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A recurring challenge in self-supervised learning is preventing representation collapse. Existing solutions typically rely on global regularization, such as maximizing distances, decorrelating dimensions or enforcing certain distributions. We instead reinterpret representation learning as a discrete packing problem, where preserving information simplifies to maintaining injectivity. We operationalize this in Hypersolid, a method using short-range hard-ball repulsion to prevent local collisions. This constraint results in a high-separation geometric regime that preserves augmentation diversity, excelling on fine-grained and low-resolution classification tasks.
- Abstract（参考訳）: 自己指導型学習における繰り返しの課題は、表現の崩壊を防ぐことである。
既存の解は通常、距離の最大化、次元の非相関化、特定の分布の強制といった大域的な正則化に依存する。
そこで我々は,表現学習を離散的なパッキング問題として再解釈し,情報保存はインジェクティビティの維持を単純化する。
局所衝突を防止するために短距離ハードボール反発を用いたハイパーソリッドでこれを運用する。
この制約は、増大する多様性を保ち、きめ細かな、低解像度の分類タスクに優れた、高度に分離された幾何学的構造をもたらす。
関連論文リスト
- Convergence and Generalization of Anti-Regularization for Parametric Models [0.0]
反正則化は損失関数に逆符号を持つ報酬項を導入する。
スペクトル安全性条件と信頼領域制約を定式化する。
我々は、プロジェクション演算子と勾配クリッピングを組み合わせた軽量な安全ガードを設計し、安定した介入を保証する。
論文 参考訳（メタデータ） (2025-08-24T15:34:17Z) - Linear Adversarial Concept Erasure [108.37226654006153]
与えられた概念に対応する線形部分空間の同定と消去の問題を定式化する。
提案手法は, トラクタビリティと解釈性を維持しつつ, 深い非線形分類器のバイアスを効果的に軽減し, 高い表現性を有することを示す。
論文 参考訳（メタデータ） (2022-01-28T13:00:17Z) - VICReg: Variance-Invariance-Covariance Regularization for
Self-Supervised Learning [43.96465407127458]
本稿では,組込みの分散に関する単純な正規化項を用いて,崩壊問題を明確に回避する手法であるvicregを紹介する。
VICRegは、いくつかの下流タスクで、アートの状態と同等の結果を得る。
論文 参考訳（メタデータ） (2021-05-11T09:53:21Z) - Online and Distribution-Free Robustness: Regression and Contextual
Bandits with Huber Contamination [29.85468294601847]
線形回帰と文脈的帯域幅という2つの古典的高次元オンライン学習問題を再考する。
従来の手法が失敗した場合にアルゴリズムが成功することを示す。
論文 参考訳（メタデータ） (2020-10-08T17:59:05Z) - Adversarial Classification via Distributional Robustness with
Wasserstein Ambiguity [12.576828231302134]
ワッサーシュタインの曖昧さの下では、モデルは誤分類のリスクを最小限にすることを目的としている。
この分類の非整合性にもかかわらず、標準降下法はこの問題に対して収束しているように見える。
論文 参考訳（メタデータ） (2020-05-28T07:28:47Z)
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。