論文の概要: CCAR: Intrinsic Robustness as an Emergent Geometric Property

• arxiv url: http://arxiv.org/abs/2604.16861v1
• Date: Sat, 18 Apr 2026 06:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.205912
• Title: CCAR: Intrinsic Robustness as an Emergent Geometric Property
• Title（参考訳）: CCAR:創発的幾何学的特性としての固有のロバスト性
• Authors: Akash Samanta, Manish Pratap Singh, Debasis Chaudhuri,
• Abstract要約: 本稿では,機能空間を明示的に設計するためのクラス・コンディショナル・アクティベーション・レギュラライゼーション(CCAR)を提案する。 遅延表現をクラスエネルギーに部分空間に形成することにより、自然に雑音や対向摂動をフィルタリングする幾何学的な足場を作る。
• 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: Standard supervised learning optimizes for predictive accuracy but remains agnostic to the internal geometry of learned features, often yielding representations that are entangled and brittle. We propose Class-Conditional Activation Regularization (CCAR) to explicitly engineer the feature space, imposing a block-diagonal structure via a soft inductive bias. By shaping the latent representation to confine class energy to orthogonal subspaces, we create an intrinsic geometric scaffold that naturally filters noise and adversarial perturbations. We provide theoretical analysis linking this structural constraint to the maximization of the Fisher Discriminant Ratio, establishing a formal connection between geometric disentanglement and algorithmic stability. Empirically, this approach demonstrates that robustness is an emergent property of a well-engineered feature space, significantly outperforming baselines on label noise and input corruption benchmarks.
• Abstract（参考訳）: 標準的な教師付き学習は予測精度を最適化するが、学習した特徴の内部幾何学に従わないままであり、しばしば絡み合って脆弱な表現をもたらす。 特徴空間を明示的に設計し,ソフトな帰納バイアスによってブロック対角構造を付与するクラス・コンディショナル・アクティベーション・レギュラライゼーション(CCAR)を提案する。 クラスエネルギーを直交部分空間に閉じ込めるために潜在表現を形作ることにより、自然に雑音や対向摂動をフィルタリングする内在的な幾何学的足場を作る。 我々は、この構造的制約をフィッシャー判別比の最大化に結びつける理論的解析を行い、幾何学的不絡合とアルゴリズム的安定性の形式的関係を確立する。 実験的に、この手法は、ロバスト性が十分に設計された特徴空間の創発的特性であり、ラベルノイズと入力汚職ベンチマークのベースラインを著しく上回っていることを示す。

関連論文リスト

• Spectral-Transport Stability and Benign Overfitting in Interpolating Learning [0.0]
  統計的学習の補間体制における一般化のための理論的枠組みを開発する。 我々は、有限サンプルリスク境界を証明し、鋭い良性オーバーフィッティング指数を確立し、スペクトル崩壊下での明示的な位相遷移速度を導出する。 このフレームワークはまた、最小スペクトル輸送エネルギーの補間解をどのように選択できるかを示すことによって暗黙の正則化を明確化する。
  論文  参考訳（メタデータ） (2026-04-09T15:19:00Z)
• The Quadratic Geometry of Flow Matching: Semantic Granularity Alignment for Text-to-Image Synthesis [0.0]
  生成ファインチューニングの最適化力学を解析する。 そこで本研究では,テキストから画像への合成をテストベッドとして用い,SGA(Semantic Granularity Alignment)を提案する。
  論文  参考訳（メタデータ） (2026-03-11T13:56:53Z)
• First-Order Geometry, Spectral Compression, and Structural Compatibility under Bounded Computation [0.0]
  本稿では,自己随伴演算子によって制限を符号化する演算子理論の定式化を提案する。 この設定では、最適一階改善方向が擬似逆重み勾配として現れる。 実効力学が支配的なスペクトルモードに沿って集中していることを示し、スペクトル圧縮の原理的概念を導出する。
  論文  参考訳（メタデータ） (2026-03-09T15:29:41Z)
• 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)
• Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
  グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。 DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
  論文  参考訳（メタデータ） (2026-01-31T11:05:35Z)
• 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)
• Limitation of Stoquastic Quantum Annealing: A Structural Perspective [0.0]
  縮退した局所最小値の集合に付随するエネルギー間の競合から生じる反交差に関する構造的説明を提供する。 本論文は,DIC-DAC-DOAアルゴリズムの主な研究の補足として機能する。
  論文  参考訳（メタデータ） (2025-09-18T04:39:48Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• A General Framework for Consistent Structured Prediction with Implicit Loss Embeddings [113.15416137912399]
  構造化予測のための理論的・アルゴリズム的な枠組みを提案し,解析する。 問題に対して適切な幾何を暗黙的に定義する、損失関数の大規模なクラスについて検討する。 出力空間を無限の濃度で扱うとき、推定子の適切な暗黙の定式化が重要であることが示される。
  論文  参考訳（メタデータ） (2020-02-13T10:30:04Z)

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。