Fugu-MT 論文翻訳(概要): Diagnostic Benchmarks for Invariant Learning Dynamics: Empirical Validation of the Eidos Architecture

論文の概要: Diagnostic Benchmarks for Invariant Learning Dynamics: Empirical Validation of the Eidos Architecture

arxiv url: http://arxiv.org/abs/2602.13322v1
Date: Tue, 10 Feb 2026 22:04:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-17 14:17:27.914859
Title: Diagnostic Benchmarks for Invariant Learning Dynamics: Empirical Validation of the Eidos Architecture
Title（参考訳）: 不変学習ダイナミクスの診断ベンチマーク:Eidosアーキテクチャの実証検証
Abstract要約: Eidosアーキテクチャは、PolyShapes-Ideal(PSI)データセット上で99%の精度を達成する。構造的に制約されたアーキテクチャにおける一般化は、統計スケールではなく幾何学的整合性の性質である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present the PolyShapes-Ideal (PSI) dataset, a suite of diagnostic benchmarks designed to isolate topological invariance -- the ability to maintain structural identity across affine transformations -- from the textural correlations that dominate standard vision benchmarks. Through three diagnostic probes (polygon classification under noise, zero-shot font transfer from MNIST, and geometric collapse mapping under progressive deformation), we demonstrate that the Eidos architecture achieves >99% accuracy on PSI and 81.67% zero-shot transfer across 30 unseen typefaces without pre-training. These results validate the "Form-First" hypothesis: generalization in structurally constrained architectures is a property of geometric integrity, not statistical scale.
Abstract（参考訳）: 我々は、標準ビジョンベンチマークを支配しているテキスト相関から、トポロジ的不変性(アフィン変換間の構造的同一性を維持する能力)を分離するために設計された診断ベンチマークのスイートであるPolyShapes-Ideal(PSI)データセットを提示する。 3つの診断プローブ(ノイズ下のポリゴン分類、MNISTからのゼロショットフォント転送、進行変形時の幾何崩壊マッピング)を通して、EidosアーキテクチャはPSIの99%の精度と、30の未知のフォントを事前訓練せずに81.67%のゼロショット転送を達成することを示した。構造的に制約されたアーキテクチャにおける一般化は、統計スケールではなく幾何学的整合性の性質である。

関連論文リスト

Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation [12.965117238061096]
TopoTTAは、トポロジ的データ分析のツールである永続的ホモロジーをテスト時間パイプラインに統合する、新しいフレームワークである。軽量なテストタイム分類器を導く頑健なトポロジカルな擬似ラベルを導出し、バックボーンモデルを再訓練することなくセグメンテーション品質を向上させる。大規模な実験では、最先端の教師なし異常検出およびセグメント化手法よりも平均15%のF1改善が示されている。
論文参考訳（メタデータ） (2026-06-26T17:04:42Z)
From Extrinsic to Intrinsic: Geodesic-Guided Representation Learning for 3D Geometric Data [56.41479248637621]
我々は,textbfPreトレーニングのための新しい3D表現学習パラダイムであるtextbfPRISMを紹介した。 PRISMは textbfIntrinsic textbfSurface geodesic textbfMetric を検索して埋め込みを学習する。提案手法は測地線距離予測において, 良好な精度, 堅牢性, 高効率性を示す。
論文参考訳（メタデータ） (2026-06-01T13:54:26Z)
PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文参考訳（メタデータ） (2026-06-01T01:43:48Z)
SEMASIA: A Large-Scale Dataset of Semantically Structured Latent Representations [12.185380843937196]
約1,700個の事前学習された視覚モデルから抽出した潜在表現の大規模コレクションであるSEMASIAを紹介する。個々の潜在空間の概念的構造を解析し、一貫したプロトタイプのようなクラスタリングを示す。プレトレーニングデータの複雑性,特殊化,伝達学習,拡張,モデルスケールが,埋め込みの幾何学的および探索的特性とどのように関係しているかを,大規模回帰分析により解析する。
論文参考訳（メタデータ） (2026-05-10T11:42:36Z)
Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
幾何学的事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
論文参考訳（メタデータ） (2026-03-02T21:32:30Z)
PRISM: A 3D Probabilistic Neural Representation for Interpretable Shape Modeling [9.456135223836181]
PRISMは、暗黙の神経表現を不確実性を考慮した統計的形状解析で橋渡しする新しいフレームワークである。重要な理論的貢献はクローズドフォームのフィッシャー情報計量であり、効率的で分析的に抽出可能な局所的時間的不確実性定量化を可能にする。
論文参考訳（メタデータ） (2026-02-12T00:55:31Z)
Invariance on Manifolds: Understanding Robust Visual Representations for Place Recognition [19.200074425090595]
本稿では,2次幾何統計フレームワークを提案する。提案手法では、固定されたトレーニング済みのバックボーン上に構築されたトレーニング不要のフレームワークを導入し、パラメータ更新なしで強力なゼロショット一般化を実現する。
論文参考訳（メタデータ） (2026-01-31T18:12:29Z)
Structural Compositional Function Networks: Interpretable Functional Compositions for Tabular Discovery [4.8369208007394215]
本稿では,構造構成ネットワーク(Structure compositional Networks, StructureCFN)を提案する。私たちのフレームワークは構造化知識統合を可能にし、ドメイン固有のリレーショナル事前をアーキテクチャに直接注入して発見を導くことができます。我々は18ベンチマークで厳密な10倍のクロスバリデーションスイートにまたがる構造CFNを評価し,統計的に有意な改善を示した。
論文参考訳（メタデータ） (2026-01-27T20:20:07Z)
Universal Latent Homeomorphic Manifolds: Cross-Domain Representation Learning via Homeomorphism Verification [4.509161738293017]
本稿では,意味表現と観察駆動型機械表現を一つの潜在構造に統一するフレームワークを提案する。我々は、異なる意味-観測ペアによって誘導される潜在多様体が厳密に統一できるかどうかを決定するための基準として、エンホメオモルフィズムを用いる。この基準は,(1)不完全観測からのセマンティック誘導スパース回復,(2)検証された構造整合性を持つクロスドメイン変換学習,(3)意味論的から観察空間への有効な移動によるゼロショット合成学習の3つの重要な応用に対する理論的保証を提供する。
論文参考訳（メタデータ） (2026-01-13T23:08:16Z)
Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
論文参考訳（メタデータ） (2026-01-13T00:42:22Z)
DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
論文参考訳（メタデータ） (2025-06-18T23:58:22Z)
Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文参考訳（メタデータ） (2024-07-26T10:29:16Z)
From Bricks to Bridges: Product of Invariances to Enhance Latent Space Communication [19.336940758147442]
異なるニューラルネットワークによって学習された表現は、モデルが同様の誘導バイアスの下で訓練されたときに構造的類似性を隠蔽することが観察されている。我々は,不変成分の積空間を潜在表現の上に構築し,その表現に不変量の集合を直接組み込む汎用的手法を導入する。我々は,ゼロショット縫合設定において,一貫した遅延類似性および下流性能向上を観察し,分類および再構成タスクに対するソリューションの有効性を検証した。
論文参考訳（メタデータ） (2023-10-02T13:55:38Z)
Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文参考訳（メタデータ） (2023-06-20T14:21:58Z)
Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文参考訳（メタデータ） (2022-11-07T14:52:58Z)

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。