論文の概要: FRInGe: Distribution-Space Integrated Gradients with Fisher--Rao Geometry

• arxiv url: http://arxiv.org/abs/2605.06404v1
• Date: Thu, 07 May 2026 15:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.935198
• Title: FRInGe: Distribution-Space Integrated Gradients with Fisher--Rao Geometry
• Title（参考訳）: FRInGe:漁業による分布空間統合勾配-ラオ幾何学
• Abstract要約: 本稿では,予測分布空間における参照とスケジュールの両方を定義したFisher-Rao Integrated Gradients (FRInGe)を提案する。 FRInGe は入力基底線を最大エントロピー予測基準に置き換え、確率単純度上のフィッシャー・ラオ測地線に従う。
• 参考スコア（独自算出の注目度）: 4.823870413661438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gradient-based attribution methods are model-faithful and scalable, but Integrated Gradients (IG) can be brittle because explanations depend on heuristic baselines, straight-line paths, discretization, and saturation. We propose Fisher--Rao Integrated Gradients (FRInGe), which defines both the reference and interpolation schedule in predictive distribution space. FRInGe replaces input baselines with a maximum-entropy predictive reference and follows a Fisher-Rao geodesic on the probability simplex. The corresponding input-space trajectory is realized through the pullback Fisher metric and stabilized by KL and Euclidean trust regions; attributions are obtained by integrating input gradients along this trajectory. Across six ImageNet architectures, FRInGe most clearly improves calibration-oriented attribution metrics, especially MAS scores, while remaining competitive on perturbation AUC and infidelity.
• Abstract（参考訳）: グラディエントベースの属性法はモデル忠実でスケーラブルであるが、説明はヒューリスティックなベースライン、直線パス、離散化、飽和に依存するため、統合グラディエント(IG)は不安定である。 本稿では,予測分布空間における参照および補間スケジュールを定義したFisher-Rao Integrated Gradients (FRInGe)を提案する。 FRInGe は入力基底線を最大エントロピー予測基準に置き換え、確率単純度上のフィッシャー・ラオ測地線に従う。 対応する入力空間軌道は、プルバックフィッシャー計量により実現され、KLおよびユークリッド信頼領域によって安定化される。 6つのImageNetアーキテクチャ全体で、FRInGeはキャリブレーション指向の属性メトリクス、特にMASスコアを改善し、摂動AUCと不完全性に競争力を維持している。

関連論文リスト

• Fisher8: Stabilizing Neural Heteroscedastic Regression via Output-Layer Fisher Geometry [1.9336815376402718]
  平均と不確実性の推定を共同で予測するニューラルネットワークのトレーニングは不安定である。 我々は、ユークリッド幾何ではなくフィッシャー幾何を用いて更新を並べ替え、再スケールする出力層勾配補正であるFisher8を導出する。 多次元回帰および表現学習タスク全体で、Fisher8は優れた可能性エラートレードオフを取得し、キャリブレーションされた不確実性推定を予測し、豊富な不確実性を考慮した特徴空間を学習する。
  論文  参考訳（メタデータ） (2026-08-11T02:10:51Z)
• LC-GRPO: Bridging Train-Inference Gap for Flow-Based GRPO with Langevin Correction [59.32834240526981]
  フローベース生成モデルは典型的には、決定論的常微分方程式(ODE)を解くことによってサンプリングされる 既存の流れモデルのためのGRPO法は、訓練中にオイラー時間ODEを非等方微分方程式(SDE)に置き換える。 本稿では,フローベースGRPOフレームワークであるLC-GRPOを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T04:47:57Z)
• Information-Geometric Forward Policy Training in GFlowNets [1.9480051045857554]
  我々は, GFlowNetsにおける前方政策学習を, 誘導軌道検層の情報幾何学を用いて定式化する。 前方方針を誘導軌跡サンプリング器として扱うことにより,その内在的な一階幾何が軌道系のフィッシャー・ラオ計量によって与えられることを示す。 我々は、軌道フィッシャーをステップごとの条件付き第2モーメントに正確に分解する。
  論文  参考訳（メタデータ） (2026-08-04T17:34:14Z)
• Widest-Path Reachability Fields for Connectivity-Preserving Slender Structure Segmentation [3.8331203995580565]
  WPRF(Widest-Path Reachability Fields)は、勾配流を接続ボトルネックにリダイレクトする、微分可能なMax-Minリーチビリティーの目的である。 WPRFは、ドメイン制限グラフ上の動的プログラミングを通じて、差別化可能なMax-Minの目的を実装している。 9つのアーキテクチャと6つのデータセットにわたる実験は、ボトルネック中心の勾配ルーティングメカニズムを検証する。
  論文  参考訳（メタデータ） (2026-07-08T08:04:06Z)
• Real-Time LiDAR Gaussian Splatting SLAM [2.0524609401792397]
  我々は,高速なG-ICP登録と球状化に基づく大規模シーケンスの高密度マッピングを密結合するリアルタイムなLiDARベースのSLAMフレームワークを提案する。 追跡推定局所共分散を再利用し、ガウスを範囲対応スケールで初期化し、写像最適化のための曲面正規化を導出する。 ニューアー・カレッジのデータセットでは、Fスコアが86.78%に達し、オンライントラジェクトリをリアルタイムに利用している。
  論文  参考訳（メタデータ） (2026-07-05T05:55:32Z)
• Global Convergence of Gradient Descent for Score Matching in Gaussian Mixtures via Reverse Fisher Divergence [67.12978375116599]
  そこで本研究では,学生分布に対する期待値の逆のフィッシャー発散(Fisher divergence)について検討する。 我々は、目標平均に対して$widetilde(1)$-separationの仮定の下で、大域収束保証を証明した。 我々はリアプノフに基づく勾配勾配勾配の動的解析を頼りにしており、逆のフィッシャー発散は前方のフィッシャー発散よりもはるかに良い最適化環境を持つことが示されている。
  論文  参考訳（メタデータ） (2026-06-18T07:34:33Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Improved techniques for fine-tuning flow models via adjoint matching: a deterministic control pipeline [7.967038299436285]
  本稿では,フローベース生成モデルに対する人間の嗜好アライメントを定式化する決定論的随伴マッチングフレームワークを提案する。 この観点から、軌道の終端部分に焦点をあてたトランク付き随伴スキームを導入する。 我々は、標準KLベースの正規化を超えてフレームワークをさらに一般化し、アライメント強度と分布保存の間のより柔軟なトレードオフを可能にする。
  論文  参考訳（メタデータ） (2026-05-07T17:12:47Z)
• Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
  GTSA-PCAは主成分分析の幾何学的拡張である。 曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。 以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
  論文  参考訳（メタデータ） (2026-04-20T20:36:36Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Bayesian Learning-Enhanced Navigation with Deep Smoothing for Inertial-Aided Navigation [8.510813384980262]
  BLENDSはデータ駆動のポストプロセッシングフレームワークで、トランスフォーマーベースのニューラルネットワークによって従来の2フィルタスムーズな拡張を行う。 BLENDSは、ベースライン前方EKFよりも最大63%の水平位置改善を実現している。
  論文  参考訳（メタデータ） (2026-03-26T12:11:59Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• Generative Stochastic Optimal Transport: Guided Harmonic Path-Integral Diffusion [0.0]
  誘導最適輸送のための線形解決可能なフレームワークであるGH-PID(Guid Harmonic Path-Integral Diffusion)を導入する。 低次元誘導プロトコルは、解析構造を保持しながら軌道アンサンブルを形成する。 GH-PIDは、所定の端末分布を満たす幾何学的、信頼的トラジェクトリを生成する。
  論文  参考訳（メタデータ） (2025-12-05T05:18:15Z)
• Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification [0.0]
  この研究は情報幾何学と統計的学習を橋渡しし、厳密な検証を必要とするアプリケーションにおいて不確実性を認識した分類の正式な保証を提供する。 アデノ関連ウイルスの分類に関する実証的な検証は、2段階のフレームワークが72.5%のエラーをキャプチャし、34.5%のサンプルを遅延させ、自動決定エラー率を16.8%から6.9%に下げていることを示している。
  論文  参考訳（メタデータ） (2025-11-26T01:29:49Z)
• Convergence Properties of Natural Gradient Descent for Minimizing KL Divergence [0.0]
  クルバック・リーブラー(KL)の発散を最小化する問題について検討する。 2つの双対座標系の下での勾配に基づく最適化アルゴリズムの挙動を解析する。
  論文  参考訳（メタデータ） (2025-04-27T14:39:33Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Understanding Gradient Clipping in Private SGD: A Geometric Perspective [68.61254575987013]
  ディープラーニングモデルは、トレーニングデータが機密情報を含む可能性がある多くの機械学習アプリケーションで、ますます人気が高まっている。 多くの学習システムは、(異なる)プライベートSGDでモデルをトレーニングすることで、差分プライバシーを取り入れている。 各プライベートSGDアップデートにおける重要なステップは勾配クリッピングであり、L2ノルムがしきい値を超えると、個々の例の勾配を小さくする。
  論文  参考訳（メタデータ） (2020-06-27T19:08:12Z)

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。