論文の概要: GSVD for Geometry-Grounded Dataset Comparison: An Alignment Angle Is All You Need

• arxiv url: http://arxiv.org/abs/2603.10283v1
• Date: Tue, 10 Mar 2026 23:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.725121
• Title: GSVD for Geometry-Grounded Dataset Comparison: An Alignment Angle Is All You Need
• Title（参考訳）: GSVD for Geometry-Grounded Dataset Comparison:アライメント角は必要なだけ
• Authors: Eduarda de Souza Marques, Arthur Sobrinho Ferreira da Rocha, Joao Paixao, Heudson Mirandola, Daniel Sadoc Menasche,
• Abstract要約: 幾何基底学習は、観測を任意のベクトルとして扱うのではなく、問題領域の構造を尊重するようモデルに求める。 一般化特異値分解(GSVD)を2つの部分空間の連接座標系として用いる。 サンプル $z$ に対して [0, /2] の解釈可能な *angle score* $(z) を導出し、z が比較的$A$ で説明されるか、$B$ で説明されるか、あるいは両方で比較可能であるかを定量化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometry-grounded learning asks models to respect structure in the problem domain rather than treating observations as arbitrary vectors. Motivated by this view, we revisit a classical but underused primitive for comparing datasets: linear relations between two data matrices, expressed via the co-span constraint $Ax = By = z$ in a shared ambient space. To operationalize this comparison, we use the generalized singular value decomposition (GSVD) as a joint coordinate system for two subspaces. In particular, we exploit the GSVD form $A = HCU$, $B = HSV$ with $C^{\top}C + S^{\top}S = I$, which separates shared versus dataset-specific directions through the diagonal structure of $(C, S)$. From these factors we derive an interpretable *angle score* $θ(z) \in [0, π/2]$ for a sample $z$, quantifying whether z is explained relatively more by $A$, more by $B$, or comparably by both. The primary role of $θ(z)$ is as a *per-sample geometric diagnostic*. We illustrate the behavior of the score on MNIST through angle distributions and representative GSVD directions. A binary classifier derived from $θ(z)$ is presented as an illustrative application of the score as an interpretable diagnostic tool.
• Abstract（参考訳）: 幾何基底学習は、観測を任意のベクトルとして扱うのではなく、問題領域の構造を尊重するようモデルに求める。 この考え方に動機づけられた2つのデータ行列間の線形関係は、共有環境空間における共分散制約である$Ax = By = z$で表される。 この比較を運用するには、一般化特異値分解(GSVD)を2つの部分空間の合同座標系として用いる。 特に、GSVD 形式 $A = HCU$, $B = HSV$ with $C^{\top}C + S^{\top}S = I$ を利用する。 これらの因子から解釈可能な*角スコア*$θ(z) \in [0, π/2]$をサンプル$z$に対して導き、zが比較的$A$で説明されるか、より$B$で説明されるか、あるいは両方で比較可能かどうかを定量化する。 θ(z)$ の主な役割は、* サンプルの幾何学的診断* である。 MNISTにおけるスコアの挙動を,角度分布と代表的GSVD方向を通して説明する。 θ(z)$から派生した二項分類器は、解釈可能な診断ツールとしてスコアの図解的応用として提示される。

関連論文リスト

• Group Representational Position Encoding [66.33026480082025]
  グループ行動に基づく位置符号化のための統一的なフレームワークであるGRAPEを提案する。 i)乗法回転 (Multiplicative GRAPE) in $mathrmSO(d)$ と (ii)加法ロジットバイアス (Additive GRAPE) は一般線型群 $mathrmGL$ における一等作用から生じる。
  論文  参考訳（メタデータ） (2025-12-08T18:39:13Z)
• Learning Orthogonal Multi-Index Models: A Fine-Grained Information Exponent Analysis [54.57279006229212]
  情報指数は、オンライン勾配降下のサンプルの複雑さを予測する上で重要な役割を担っている。 本研究では,2次項と高次項の両方を考慮することで,まず2次項を用いて関連する空間を学習できることを示す。 オンラインSGDの全体サンプルと複雑さは$tildeO(d PL-1 )$である。
  論文  参考訳（メタデータ） (2024-10-13T00:14:08Z)
• A Unified Characterization of Private Learnability via Graph Theory [18.364498500697596]
  純粋かつ近似微分プライベート(DP)学習性を特徴付ける統一的なフレームワークを提供する。 DP学習性の特徴を特徴づけるグラフ理論次元を同定する。 また、独立な興味を持つかもしれない矛盾グラフの性質も明らかにする。
  論文  参考訳（メタデータ） (2023-04-08T12:25:08Z)
• Algebraic Aspects of Boundaries in the Kitaev Quantum Double Model [77.34726150561087]
  我々は、Ksubseteq G$ の部分群に基づく境界の体系的な扱いを、バルクの Kokuev 量子倍 D(G)$ モデルで提供する。 境界サイトは$*$-subalgebra $Xisubseteq D(G)$の表現であり、その構造を強い$*$-準ホップ代数として説明する。 治療の応用として、水平方向の$K=G$と垂直方向の$K=e$に基づく境界付きパッチを調査し、量子コンピュータでどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-08-12T15:05:07Z)
• G-dual teleparallel connections in Information Geometry [0.0]
  G$-dual connection $nabla*$ of $nabla$ in the sense of Information Geometry は、$G$-gradient vector field に基づいて決定されるテレパラレル接続でなければならないことを示す。 古典情報幾何と量子情報幾何の両方の文脈で生じる$G$-dualテレパラレル対の明示的な例を示す。
  論文  参考訳（メタデータ） (2022-07-18T15:47:01Z)
• Spectral properties of sample covariance matrices arising from random matrices with independent non identically distributed columns [50.053491972003656]
  関数 $texttr(AR(z))$, for $R(z) = (frac1nXXT- zI_p)-1$ and $Ain mathcal M_p$ deterministic, have a standard deviation of order $O(|A|_* / sqrt n)$. ここでは、$|mathbb E[R(z)] - tilde R(z)|_F を示す。
  論文  参考訳（メタデータ） (2021-09-06T14:21:43Z)
• Sparse sketches with small inversion bias [79.77110958547695]
  逆バイアスは、逆の共分散に依存する量の推定を平均化するときに生じる。 本研究では、確率行列に対する$(epsilon,delta)$-unbiased estimatorという概念に基づいて、逆バイアスを解析するためのフレームワークを開発する。 スケッチ行列 $S$ が密度が高く、すなわちサブガウスのエントリを持つとき、$(epsilon,delta)$-unbiased for $(Atop A)-1$ は $m=O(d+sqrt d/ のスケッチを持つ。
  論文  参考訳（メタデータ） (2020-11-21T01:33:15Z)
• Learning Sparse Graph Laplacian with K Eigenvector Prior via Iterative GLASSO and Projection [58.5350491065936]
  グラフ Laplacian 行列 $L$ 上の構造的仮定を考える。 最初の$K$ eigenvectors of $L$は、例えばドメイン固有の基準に基づいて事前選択される。 本稿では,H_u+$$$$barC$で最も適切なグラフラプラシアン行列$L*を計算するために,効率的なハイブリッドグラフラッソ/投影アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-10-25T18:12:50Z)

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。