論文の概要: Riemannian Flow Matching for Disentangled Graph Domain Adaptation

• arxiv url: http://arxiv.org/abs/2602.00656v1
• Date: Sat, 31 Jan 2026 11:05:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.319257
• Title: Riemannian Flow Matching for Disentangled Graph Domain Adaptation
• Title（参考訳）: アンタングルグラフ領域適応のためのリーマンフローマッチング
• Abstract要約: グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。 DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
• 参考スコア（独自算出の注目度）: 51.98961391065951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Domain Adaptation (GDA) typically uses adversarial learning to align graph embeddings in Euclidean space. However, this paradigm suffers from two critical challenges: Structural Degeneration, where hierarchical and semantic representations are entangled, and Optimization Instability, which arises from oscillatory dynamics of minimax adversarial training. To tackle these issues, we propose DisRFM, a geometry-aware GDA framework that unifies Riemannian embedding and flow-based transport. First, to overcome structural degeneration, we embed graphs into a Riemannian manifold. By adopting polar coordinates, we explicitly disentangle structure (radius) from semantics (angle). Then, we enforce topology preservation through radial Wasserstein alignment and semantic discrimination via angular clustering, thereby preventing feature entanglement and collapse. Second, we address the instability of adversarial alignment by using Riemannian flow matching. This method learns a smooth vector field to guide source features toward the target along geodesic paths, guaranteeing stable convergence. The geometric constraints further guide the flow to maintain the disentangled structure during transport. Theoretically, we prove the asymptotic stability of the flow matching and derive a tighter bound for the target risk. Extensive experiments demonstrate that DisRFM consistently outperforms state-of-the-art methods.
• Abstract（参考訳）: グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。 しかし、このパラダイムは、階層的および意味的な表現が絡み合う構造的退化と、ミニマックス対向訓練の振動力学から生じる最適化不安定という2つの重要な課題に悩まされている。 これらの問題に対処するため、我々は、リーマン埋め込みとフローベース輸送を統一する幾何学的GDAフレームワークであるDisRFMを提案する。 まず、構造的退化を克服するために、グラフをリーマン多様体に埋め込む。 極座標を採用することにより、我々は意味論(角)から構造(半径)を明示的に切り離す。 そこで我々は,放射状ワッサースタインアライメントによるトポロジーの保存と,角クラスタリングによる意味的識別を行い,特徴の絡み合いや崩壊を防止する。 次に, リーマン流マッチングを用いて, 対向アライメントの不安定性に対処する。 本手法は, 安定した収束を保証するため, スムーズなベクトル場を学習し, ソース特性を測地経路に沿って目標に向かって誘導する。 幾何的制約は、輸送中に不整合構造を維持するためにさらに流れを誘導する。 理論的には、フローマッチングの漸近安定性を証明し、ターゲットのリスクに対してより厳密な境界を導出する。 大規模な実験により、DisRFMは最先端の手法よりも一貫して優れていることが示された。

関連論文リスト

• RODR: Riemannian Orthogonally Decoupled Regularization for Disentangled Manifold Representation [0.91963810502252]
  本稿では,点クラウド処理における不整合幾何最適化のための汎用的・解釈可能なフレームワークを提案する。 実験により、RODRは最先端のベースラインに匹敵する性能に達することが示された。
  論文  参考訳（メタデータ） (2026-07-27T03:12:14Z)
• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• Convex Distance Operator Transport: A Convex and Geometry-Preserving Formulation [9.94046521985351]
  異種領域間の分散を整列する最初の凸最適輸送フレームワークであるConvex Distance Transport Operator (CDOT)を紹介する。 CDOTは、距離と条件付き期待演算子を導入することで集約された距離構造を整列する演算子ベースの正規化を用いる。
  論文  参考訳（メタデータ） (2026-06-01T10:38:09Z)
• Geodesic Flow Matching for Denoising High-Dimensional Structured Representations [1.267635674675289]
  連続領域に対しては、空間意味ポインタ(SSP)がこのフレームワークを拡張し、変数を連続トロイド多様体にマッピングする。 フローマッチングのような標準的なアプローチは、平坦なユークリッド幾何学を仮定するが、これは有効なSSP状態に課される幾何学的制約を考慮できない。 ユークリッド線型補間子が多様体の内部を切断し、正確な復号に必要な位相と大きさ構造を破壊する。
  論文  参考訳（メタデータ） (2026-05-29T18:28:41Z)
• Dynamic Elliptical Graph Factor Models via Riemannian Optimization with Geodesic Temporal Regularization [1.7430416823420511]
  本稿では,因子モデル(textscDegfm)を用いたグラスマン多様体の動的推定を提案する。 我々は,時間変化の精度行列列を,潜在楕円グラフ因子モデルによって支配される低ランク+対角構造としてモデル化する。 合成ベンチマークと実世界のデータセットの両方の実験は、textscDegfmが常に最先端の評価を上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-18T12:34:44Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• Axiomatic On-Manifold Shapley via Optimal Generative Flows [9.595059073171269]
  シェープベースの属性はポストホックなXAIにとって重要であるが、ベースラインのためにオフマニフォールドのアーティファクトに悩まされている。 最適生成フローによって駆動されるオンマンフォールドAumann-Shapley属性の形式理論を提案する。
  論文  参考訳（メタデータ） (2026-03-05T12:05:20Z)
• Path-Decoupled Hyperbolic Flow Matching for Few-Shot Adaptation [36.30669615593167]
  ユークリッド型フローマッチングは平坦な幾何学の基本的限界を無視する。 そこで我々はローレンツ多様体の指数展開を利用した経路分離型ハイパーボリックフローマッチングを提案する。 コードとモデルはリリースされます。
  論文  参考訳（メタデータ） (2026-02-24T02:12:58Z)
• Learning on the Manifold: Unlocking Standard Diffusion Transformers with Representation Encoders [48.68968421120471]
  標準拡散変換器は直接表現に収束しないことを示す。 我々は幾何学的干渉を根本原因とみなす。 我々の手法RJFは、標準のDiT-Bアーキテクチャを効果的に収束させ、3.37のFIDを実現する。
  論文  参考訳（メタデータ） (2026-02-10T18:58:04Z)
• Counterfactual Explanations on Robust Perceptual Geodesics [13.054357482525505]
  本稿では,頑健な視覚特徴から誘導される測地線を測る手法として,知覚的対物測地学 (PCG) を導入する。 この幾何学は人間の知覚と一致し、脆い方向を罰し、滑らかでオン・マニフォールドで意味論的に妥当な遷移を可能にする。 3つのビジョンデータセットの実験では、PCGはベースラインを上回り、標準メトリクスの下に隠された障害モードを明らかにする。
  論文  参考訳（メタデータ） (2026-01-26T16:52:54Z)
• Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
  乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。 以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T19:06:39Z)
• Latent Iterative Refinement Flow: A Geometric-Constrained Approach for Few-Shot Generation [5.062604189239418]
  少ショット生成に対する新しいアプローチであるLIRF(Latent Iterative Refinement Flow)を導入する。 LIRFは,新しいtextbfmanifold保存損失をトレーニングしたオートエンコーダを用いて,安定な潜伏空間を確立する。 このサイクルの中で、候補サンプルは幾何的テクスチャ補正演算子によって洗練される。
  論文  参考訳（メタデータ） (2025-09-24T08:57:21Z)
• Decentralized Online Riemannian Optimization Beyond Hadamard Manifolds [9.940555460165545]
  我々は、アダマール線距離を超える収束を可能にする曲率を考慮した測地ステップを解析する。 我々は勾配、平滑化手法を採用し、同じ部分性解析を通して$O(sqrtT)$ regret を証明した。
  論文  参考訳（メタデータ） (2025-09-09T14:14:46Z)
• Riemannian Variational Flow Matching for Material and Protein Design [37.328940532069424]
  ユークリッド空間では、予測終点(VFM)、速度(FM)、ノイズ(拡散)はアフィンによってほぼ同値である。 曲線多様体上では、この同値性は崩壊し、終点予測がより強い学習信号を与えるという仮説を立てる。 この知見に基づいて、変動フローマッチングの目的を導出する。 合成球面および双曲型ベンチマークの実験は、物質やタンパク質の生成における実世界のタスクと同様に、RG-VFMがより効果的に多様体構造を捉えることを実証している。
  論文  参考訳（メタデータ） (2025-02-18T16:02:10Z)
• Riemannian Federated Learning via Averaging Gradient Streams [10.533809913888591]
  分散学習パラダイムとしてのフェデレートラーニング(FL)は、大規模な機械学習タスクに対処する上で大きな利点がある。 本稿では、RFedAGSと呼ばれる勾配ストリームを平均化する、新しい効率的なサーバアグリゲーションを提示、分析する。 提案したRFedAGSは, 崩壊するステップサイズの場合において, グローバル収束率とサブ線形収束率を有することを示す。
  論文  参考訳（メタデータ） (2024-09-11T12:28:42Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)

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。