論文の概要: Probabilistic Geometric Alignment via Bayesian Latent Transport for Domain-Adaptive Foundation Models

• arxiv url: http://arxiv.org/abs/2603.23783v2
• Date: Thu, 26 Mar 2026 07:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 13:32:29.973734
• Title: Probabilistic Geometric Alignment via Bayesian Latent Transport for Domain-Adaptive Foundation Models
• Title（参考訳）: 領域適応基礎モデルに対するベイズ遅延輸送による確率的幾何学的アライメント
• Authors: Aueaphum Aueawatthanaphisut, Kuepon Auewattanapisut,
• Abstract要約: 大規模なファンデーションモデルを、監督が限定された新しいドメインに適応させることは、依然として根本的な課題である。 本稿では、幾何学的アライメント問題としてドメイン適応を定式化する不確実性を考慮した確率的潜在輸送フレームワークを提案する。
• 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: Adapting large-scale foundation models to new domains with limited supervision remains a fundamental challenge due to latent distribution mismatch, unstable optimization dynamics, and miscalibrated uncertainty propagation. This paper introduces an uncertainty-aware probabilistic latent transport framework that formulates domain adaptation as a stochastic geometric alignment problem in representation space. A Bayesian transport operator is proposed to redistribute latent probability mass along Wasserstein-type geodesic trajectories, while a PAC-Bayesian regularization mechanism constrains posterior model complexity to mitigate catastrophic overfitting. The proposed formulation yields theoretical guarantees on convergence stability, loss landscape smoothness, and sample efficiency under distributional shift. Empirical analyses demonstrate substantial reduction in latent manifold discrepancy, accelerated transport energy decay, and improved covariance calibration compared with deterministic fine-tuning and adversarial domain adaptation baselines. Furthermore, bounded posterior uncertainty evolution indicates enhanced probabilistic reliability during cross-domain transfer. By establishing a principled connection between stochastic optimal transport geometry and statistical generalization theory, the proposed framework provides new insights into robust adaptation of modern foundation architectures operating in heterogeneous environments. These findings suggest that uncertainty-aware probabilistic alignment constitutes a promising paradigm for reliable transfer learning in next-generation deep representation systems.
• Abstract（参考訳）: 大規模ファンデーションモデルを限定的な監視を伴う新しいドメインに適応させることは、潜伏分布ミスマッチ、不安定な最適化ダイナミクス、不確実性伝播の誤認による根本的な課題である。 本稿では、表現空間における確率的幾何アライメント問題としてドメイン適応を定式化する不確実性を考慮した確率的潜在輸送フレームワークを提案する。 ベイズ輸送作用素は、ワッサーシュタイン型測地軌道に沿った潜在確率質量を再分配するために提案され、一方、PAC-ベイズ正規化機構は、破滅的なオーバーフィッティングを軽減するために後部モデルの複雑さを制限している。 提案した定式化は, 収束安定性, 損失景観の滑らかさ, および分布シフト時の試料効率に関する理論的保証を与える。 実験解析により, 潜在多様体の相違, 輸送エネルギー崩壊の加速, 共分散キャリブレーションの改善が決定論的微調整および対向領域適応ベースラインと比較された。 さらに、境界後不確実性進化は、クロスドメイン転送時の確率的信頼性の向上を示す。 確率的最適輸送幾何学と統計一般化理論の原理的関係を確立することにより、提案フレームワークは、異種環境で動作する現代基盤アーキテクチャのロバスト適応に関する新たな知見を提供する。 これらの結果から,不確実性を考慮した確率的アライメントが,次世代の深層表現システムにおける信頼な伝達学習に期待できるパラダイムとなっていることが示唆された。

関連論文リスト

• Hyperparameter Trajectory Inference with Conditional Lagrangian Optimal Transport [51.56484100374058]
  デプロイ後、ユーザの好みが進化し、初期設定が望ましくないようになる。 我々は、観測データから、NNの条件付き出力分布がハイパーパラメータでどのように変化するかを学ぶ。 我々は、NNを観測されていないハイパーパラメータで近似する代理モデルを構築した。
  論文  参考訳（メタデータ） (2026-03-02T11:55:02Z)
• On the Plasticity and Stability for Post-Training Large Language Models [54.757672540381236]
  塑性と安定性勾配の矛盾として根本原因を同定する。 本稿では,確率的衝突解決法(PCR)を提案する。 PCRはトレーニングの軌道を著しく滑らかにし、様々な推論タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-06T07:31:26Z)
• CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
  CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。 具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。 実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2026-01-28T08:15:56Z)
• Worst-case generation via minimax optimization in Wasserstein space [19.645939141861543]
  最悪のケース生成は、分散シフト下でのロバストネスとストレステストシステムを評価する上で重要な役割を果たす。 我々は,所定のリスクに対する最悪のケース生成のための生成モデリングフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-12-09T02:11:08Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Nash Equilibria, Regularization and Computation in Optimal Transport-Based Distributionally Robust Optimization [7.841376286262178]
  本研究では, 有限の輸送コストで所定の基準分布による不確実な問題パラメータの分布を選択することができるような, 最適輸送に基づく分布安定度最適化問題について検討する。
  論文  参考訳（メタデータ） (2023-03-07T13:52:32Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。