論文の概要: Disentangled Representation Learning through Unsupervised Symmetry Group Discovery
- arxiv url: http://arxiv.org/abs/2603.11790v1
- Date: Thu, 12 Mar 2026 10:51:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:26.025837
- Title: Disentangled Representation Learning through Unsupervised Symmetry Group Discovery
- Title（参考訳）: 非教師付き対称性群発見による非教師付き表現学習
- Authors: Dang-Nhu Barthélémy, Annabi Louis, Argentieri Sylvain,
- Abstract要約: 本研究では,環境との非教師的相互作用によって,その行動空間の群構造が自律的に発見されることを示す。
最小の仮定の下で、真の対称性群分解の識別可能性を証明する。
本手法は, 群分解の異なる3つの環境において検証された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Symmetry-based disentangled representation learning leverages the group structure of environment transformations to uncover the latent factors of variation. Prior approaches to symmetry-based disentanglement have required strong prior knowledge of the symmetry group's structure, or restrictive assumptions about the subgroup properties. In this work, we remove these constraints by proposing a method whereby an embodied agent autonomously discovers the group structure of its action space through unsupervised interaction with the environment. We prove the identifiability of the true symmetry group decomposition under minimal assumptions, and derive two algorithms: one for discovering the group decomposition from interaction data, and another for learning Linear Symmetry-Based Disentangled (LSBD) representations without assuming specific subgroup properties. Our method is validated on three environments exhibiting different group decompositions, where it outperforms existing LSBD approaches.
- Abstract（参考訳）: 対称性に基づく不整合表現学習は、環境変換の群構造を利用して、変動の潜伏要因を明らかにする。
対称性に基づく非絡合に対する以前のアプローチでは、対称性群の構造についての強い事前知識、あるいは部分群の性質に関する制限的な仮定が必要であった。
本研究では,環境との非教師的相互作用を通じて,実施エージェントが行動空間の群構造を自律的に発見する手法を提案することにより,これらの制約を除去する。
我々は、最小の仮定の下で真の対称性群分解の識別可能性を証明するとともに、相互作用データから群分解を発見するアルゴリズムと、特定の部分群の性質を仮定せずに線形対称性に基づく不整合(LSBD)表現を学習するアルゴリズムの2つを導出した。
本手法は,既存のLSBD手法よりも優れた群分解特性を示す3つの環境において検証された。
関連論文リスト
- Group-Invariant Unsupervised Skill Discovery: Symmetry-aware Skill Representations for Generalizable Behavior [7.469447825853364]
Group-Invariant Skill Discoveryは、グループ構造をスキル発見の目的に組み込むフレームワークである。
GISD は,下流のタスク学習において,強大なベースラインに比べて,広範な状態空間のカバレッジを実現し,効率を向上することを示す。
論文 参考訳（メタデータ） (2026-01-20T14:21:18Z) - Equivariance by Contrast: Identifiable Equivariant Embeddings from Unlabeled Finite Group Actions [18.11344454990819]
観測対$(mathbfy, g cdot mathbfy)$から同変埋め込みを学び、データに作用する有限群から$g$が引き出される。
提案手法は,群作用が可逆線型写像に対応する潜在空間と群表現を共同で学習する。
論文 参考訳（メタデータ） (2025-10-24T17:59:46Z) - Axis-level Symmetry Detection with Group-Equivariant Representation [48.813587457507786]
最近の熱マップに基づくアプローチは対称性軸のポテンシャル領域をローカライズすることができるが、個々の軸を特定する精度に欠けることが多い。
本稿では,2つの最も一般的な対称性-反射と回転の軸レベル検出のための新しい枠組みを提案する。
提案手法は最先端の性能を達成し,既存手法より優れている。
論文 参考訳（メタデータ） (2025-08-14T15:26:53Z) - Relative Representations: Topological and Geometric Perspectives [50.85040046976025]
相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。
相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。
第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
論文 参考訳（メタデータ） (2024-09-17T08:09:22Z) - Optimal Symmetries in Binary Classification [0.0]
一般化と標本効率を最適化するためには,適切な群対称性を選択することが重要である。
我々は,群同変ニューラルネットワークを設計するための理論的基盤を構築し,対称性の選択をデータの基本となる確率分布と整合させる。
論文 参考訳（メタデータ） (2024-08-16T16:15:18Z) - Classifying symmetric and symmetry-broken spin chain phases with anomalous group actions [0.0]
局所分解可能群作用の下で不変な量子スピン鎖の分類問題を考察する。
我々は、自然に一次元対称性に保護された位相位相をカバーする分類の不変性を導出する。
論文 参考訳（メタデータ） (2024-03-27T13:54:45Z) - Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras
from First Principles [55.41644538483948]
ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。
完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。
また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
論文 参考訳（メタデータ） (2023-01-13T16:25:25Z) - Structure-preserving GANs [6.438897276587413]
分散学習のためのデータ効率フレームワークとして,構造保存型GANを導入する。
我々は、不変判別器空間上のその射影に対して、判別器空間を減少させることができることを示す。
固有群対称性を持つ分布に対する対称性保存GANを構築することで、我々の枠組みを文脈化する。
論文 参考訳（メタデータ） (2022-02-02T16:40:04Z) - GroupifyVAE: from Group-based Definition to VAE-based Unsupervised
Representation Disentanglement [91.9003001845855]
他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。
グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。
提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
論文 参考訳（メタデータ） (2021-02-20T09:49:51Z) - LieTransformer: Equivariant self-attention for Lie Groups [49.9625160479096]
群等価ニューラルネットワークは群不変ニューラルネットワークの構成要素として用いられる。
我々は、文学の範囲を、ディープラーニングモデルの顕著な構築ブロックとして現れつつある自己注意にまで広げる。
任意のリー群とその離散部分群に同値なリー自己結合層からなる構造であるリー変換器を提案する。
論文 参考訳（メタデータ） (2020-12-20T11:02:49Z) - Constraints on Maximal Entanglement Under Groups of Permutations [73.21730086814223]
絡み合いの集合は本質的に等しく、群作用の下で同じ軌道上にある。
物理対称性群の正規化子および正規化部分群を利用することにより、これらの絡み合いの最大値に対する新しい一般化された関係を導入する。
論文 参考訳（メタデータ） (2020-11-30T02:21:22Z)
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。