論文の概要: Partial Soft-Matching Distance for Neural Representational Comparison with Partial Unit Correspondence

• arxiv url: http://arxiv.org/abs/2602.19331v1
• Date: Sun, 22 Feb 2026 20:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.594402
• Title: Partial Soft-Matching Distance for Neural Representational Comparison with Partial Unit Correspondence
• Title（参考訳）: 部分的単位対応とニューラル表現の比較のための部分的ソフトマッチ距離
• Authors: Chaitanya Kapoor, Alex H. Williams, Meenakshi Khosla,
• Abstract要約: 我々は、ソフトマッチング距離を、一部のニューロンが一致しない状態を保つために、部分的な最適なトランスポート設定に拡張する。 外れ値の下で正しい一致を保ち、ノイズ破損した識別タスクにおいて正しいモデルを確実に選択する。 通常のソフトマッチングよりも脳領域全体のアライメント精度が高く、品質に関わらず全てのユニットにマッチせざるを得ない。
• 参考スコア（独自算出の注目度）: 6.914720821302567
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Representational similarity metrics typically force all units to be matched, making them susceptible to noise and outliers common in neural representations. We extend the soft-matching distance to a partial optimal transport setting that allows some neurons to remain unmatched, yielding rotation-sensitive but robust correspondences. This partial soft-matching distance provides theoretical advantages -- relaxing strict mass conservation while maintaining interpretable transport costs -- and practical benefits through efficient neuron ranking in terms of cross-network alignment without costly iterative recomputation. In simulations, it preserves correct matches under outliers and reliably selects the correct model in noise-corrupted identification tasks. On fMRI data, it automatically excludes low-reliability voxels and produces voxel rankings by alignment quality that closely match computationally expensive brute-force approaches. It achieves higher alignment precision across homologous brain areas than standard soft-matching, which is forced to match all units regardless of quality. In deep networks, highly matched units exhibit similar maximally exciting images, while unmatched units show divergent patterns. This ability to partition by match quality enables focused analyses, e.g., testing whether networks have privileged axes even within their most aligned subpopulations. Overall, partial soft-matching provides a principled and practical method for representational comparison under partial correspondence.
• Abstract（参考訳）: 表現類似度指標は一般に全ての単位に一致させ、ニューラル表現に共通するノイズや外れ値の影響を受けやすい。 ソフトマッチング距離を、一部のニューロンが不整合を維持し、回転に敏感だが頑健な対応を得られるような、部分的な最適なトランスポート設定に拡張する。 この部分的なソフトマッチング距離は、解釈可能な輸送コストを維持しながら厳密な質量保存を緩和する理論上の利点と、コストのかかる反復計算を伴わないクロスネットワークアライメントの観点からの効率的なニューロンランキングによる実践的な利益を提供する。 シミュレーションでは、外れ値の下で正しい一致を保ち、ノイズ破損した識別タスクにおいて正しいモデルを確実に選択する。 fMRIデータでは、信頼性の低いボクセルを自動的に排除し、計算に高価なブルートフォースアプローチと密に一致したアライメント品質でボクセルランキングを生成する。 標準的なソフトマッチングよりも、同種脳領域のアライメント精度が高く、品質に関わらず全てのユニットにマッチせざるを得ない。 ディープネットワークでは、高度にマッチングされたユニットは、類似した最大エキサイティングなイメージを示し、未マッチングのユニットは発散パターンを示す。 マッチング品質によって分割できるこの能力は、例えば、ネットワークが最も整列したサブポピュレーション内であっても特権付き軸を持つかどうかをテストする、集中分析を可能にする。 全体として、部分的ソフトマッチングは、部分的対応の下での表現的比較の原則的で実践的な方法である。

関連論文リスト

• SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing [0.2624902795082451]
  本稿では,3段階の自己教師型ウェーブレットニューラルネットワークSWANについて紹介する。 この考え方は、自己教師付き学習パラダイムを用いて得られた不変かつ共変な特徴から潜在対称性を利用する。 信号対雑音比の異なる2つのベンチマーク合成データセットと3つの実ベンチマークハイパースペクトルデータセットで実験を行った。
  論文  参考訳（メタデータ） (2025-10-26T10:05:48Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Soft Matching Distance: A metric on neural representations that captures single-neuron tuning [6.5714523708869566]
  ニューラル表現(dis)相似性の共通測度は、ニューラルアクティベーション空間の回転や反射に敏感であるように設計されている。 異なる大きさのネットワーク間の距離を測定するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-11-16T00:13:00Z)
• Neural Matching Fields: Implicit Representation of Matching Fields for Visual Correspondence [41.39740414165091]
  ニューラルマッチングフィールド(NeMF)と呼ばれる意味対応のための新しい手法を提案する。 高次元のマッチング場を学習する。なぜなら、4次元空間のすべてのピクセルから、ピクセルワイズ対応を推測するために、単純で網羅的な推論を行う必要があるからである。 これらの組み合わせにより、セマンティック対応のためのいくつかの標準ベンチマークで競争結果が得られる。
  論文  参考訳（メタデータ） (2022-10-06T05:38:27Z)
• Contextual Model Aggregation for Fast and Robust Federated Learning in Edge Computing [88.76112371510999]
  フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。 既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。 そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T21:42:31Z)
• On the training of sparse and dense deep neural networks: less parameters, same performance [0.0]
  本稿では,2021年に発表されたスペクトル学習手法の変種を提案する。 固有値は検証可能なノブとして機能し、(i)入力ノードの寄与を増強したり、あるいは沈黙したりするために自由に調整することができる。 それぞれのスペクトルパラメータはノード間重みの集合全体を反映しており、この特性を効果的に活用し、見事な分類能力を持つスパースネットワークを創出する。
  論文  参考訳（メタデータ） (2021-06-17T14:54:23Z)
• Consensus-Guided Correspondence Denoising [67.35345850146393]
  本稿では,地域間コンセンサス学習フレームワークと対応関係を異色化し,対応関係をロバストに識別する。 ローカル地域からグローバル地域への動的グラフから推定されるコンセンサススコアに基づいて,信頼度の高い候補を初期マッチングから蒸留する新しい「プルーニング」ブロックを導入した。 本手法は、堅牢なラインフィッティング、ワイドベースライン画像マッチング、画像ローカリゼーションベンチマークを顕著なマージンで上回る。
  論文  参考訳（メタデータ） (2021-01-03T09:10:00Z)
• GOCor: Bringing Globally Optimized Correspondence Volumes into Your Neural Network [176.3781969089004]
  特徴相関層は、画像ペア間の密接な対応を含むコンピュータビジョン問題において、重要なニューラルネットワークモジュールとして機能する。 我々は,特徴相関層の直接置換として機能する,完全に微分可能な密マッチングモジュール GOCor を提案する。 本手法は,幾何マッチング,光学フロー,密接なセマンティックマッチングのタスクにおいて,特徴相関層を著しく上回っている。
  論文  参考訳（メタデータ） (2020-09-16T17:33:01Z)
• Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks [57.64866581615309]
  完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。 その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
  論文  参考訳（メタデータ） (2020-06-19T15:45:03Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。