論文の概要: HH-SAE: Discovering and Steering Hierarchical Knowledge of Complex Manifolds
- arxiv url: http://arxiv.org/abs/2605.10536v1
- Date: Mon, 11 May 2026 13:19:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.841103
- Title: HH-SAE: Discovering and Steering Hierarchical Knowledge of Complex Manifolds
- Title（参考訳）: HH-SAE:複素多様体の階層的知識の発見とステアリング
- Authors: Honghan Wu, Tianyan Wang, Jiacong Mi, Zhoyang Jiang, Yunsoo Kim,
- Abstract要約: 我々は,高次元・ミッションクリティカル領域における稀な意味的革新を解決するためにtextbfHybrid (HH-SAE)を導入した。
HH-SAEは、高精度な環境発見を可能にするため、環境プロキシよりも高次メカニスティックなイノベーションを優先する。
- 参考スコア（独自算出の注目度）: 12.383053678348281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rare semantic innovations in high-dimensional, mission-critical domains are often obscured by dense background contexts, a challenge we define as \textit{feature density conflict}. We introduce the \textbf{Hybrid Hierarchical SAE (HH-SAE)} to resolve this by factorizing manifolds into a nested hierarchy of \textbf{Contextual} ($L_0$), \textbf{Atomic} ($f_1$), and \textbf{Compository} ($f_2$) tiers. Evaluating across disparate manifolds, HH-SAE demonstrates superior resolution by \textbf{``fracturing'' administrative clinical labels into physiological modes} and achieving a peak \textbf{cross-domain zero-shot AUC of 0.9156 in fraud detection}. Path ablation confirms the architecture's structural necessity, revealing a 13.46\% utility collapse when contextual subtraction is removed. Finally, knowledge-steered synthesis achieves a +9.9\% AUPRC lift over state-of-the-art generators, proving that HH-SAE effectively prioritizes high-order mechanistic innovation over environmental proxies to enable high-precision discovery in high-stakes environments.
- Abstract（参考訳）: 高次元でミッションクリティカルな領域における希少なセマンティックな革新は、高密度な背景コンテキストによってしばしば隠蔽され、これは「textit{feature density conflict}」と定義する課題である。
我々は、多様体を \textbf{Contextual} (L_0$), \textbf{Atomic} (f_1$), \textbf{Compository} (f_2$) 階層のネスト階層に分解することで、この問題を解決するために \textbf{Hybrid Hierarchical SAE (HH-SAE) を導入する。
HH-SAEは、異なる多様体を横断的に評価し、‘textbf{```fracturing' の治験ラベルを生理的モードに分解し、詐欺検出における最大値 0.9156 の textbf{cross-domain zero-shot AUC を達成することにより、優れた分解能を示す。
パスアブレーションは、アーキテクチャの構造的必要性を確認し、文脈的な減算が取り除かれたときに、13.46\%のユーティリティが崩壊することを明らかにする。
最後に,HH-SAEは環境プロキシよりも高次機械的イノベーションを効果的に優先し,高精度な環境下での発見を可能にすることを証明した。
関連論文リスト
- SAM-NER: Semantic Archetype Mediation for Zero-Shot Named Entity Recognition [50.82878172248818]
emphSemantic Archetype Mediationは中間的、領域不変なアーキタイプ空間を介してクロスドメイン転送を安定化する。
SAM-NERは、クロスドメイン設定でZS-NERベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-05T12:54:17Z) - Robust Deepfake Detection: Mitigating Spatial Attention Drift via Calibrated Complementary Ensembles [8.588817718552418]
現在のディープフェイク検出モデルは、現実世界の複合劣化下での空間的注意の漂流に悩まされている。
本稿では, 極端な複合劣化エンジンと, 構造的に制約されたマルチストリームアーキテクチャを統合した基礎駆動型法科学フレームワークを提案する。
NTIRE 2026では,CVPRのロバストディープフェイク検出チャレンジで第4位を獲得した。
論文 参考訳（メタデータ） (2026-04-28T17:32:48Z) - HGNet: Scalable Foundation Model for Automated Knowledge Graph Generation from Scientific Literature [6.001574550157585]
本稿では,スケーラブルでゼロショットの科学知識グラフ構築のための2段階フレームワークを提案する。
階層的関係抽出のためのベンチマークSPHEREをリリースする。
ゼロショット設定では、NERが10.76%、REが26.2%に達する。
論文 参考訳（メタデータ） (2026-03-24T12:35:10Z) - A Hyperbolic Perspective on Hierarchical Structure in Object-Centric Scene Representations [58.143688187023734]
双曲空間のローレンツ双曲体にユークリッドスロット埋め込みを投影する簡単なパイプラインを提案する。
スロットアテンションマスクから直接5段階の視覚階層を構築する。
双曲的プロジェクションは、一貫したシーンレベルをオブジェクトレベル組織に公開する。
論文 参考訳（メタデータ） (2026-03-14T16:53:59Z) - Semantic Level of Detail: Multi-Scale Knowledge Representation via Heat Kernel Diffusion on Hyperbolic Manifolds [0.0]
本稿では,ポアンカレ球上での熱核拡散を通じて連続ズーム演算子を定義するフレームワークであるSemantic Level of Detail (SLoD)を紹介する。
グラフラプラシアンのスペクトルギャップは創発的スケール境界を誘導することを示す。
人工階層において, 境界スキャナーはARIによる植林レベルを最大1.00まで回復し, 検出精度はケステン・スティグム閾値付近で良好に低下する。
論文 参考訳（メタデータ） (2026-03-09T21:54:08Z) - Hyper-KGGen: A Skill-Driven Knowledge Extractor for High-Quality Knowledge Hypergraph Generation [63.4604143884703]
Hyper-KGGenは、スキル進化プロセスとして抽出を再構築する、スキル駆動のフレームワークである。
ドメインの専門知識をGlobal Skill Libraryに積極的に蒸留する、テキストタプティブなスキル獲得モジュールが組み込まれている。
文書レベルの知識ハイパーグラフ抽出のための厳密な注釈付きベンチマークである textbfHyperDocRED を提案する。
論文 参考訳（メタデータ） (2026-02-23T06:32:00Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。
グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。
グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
論文 参考訳（メタデータ） (2026-01-13T03:35:18Z) - H3Former: Hypergraph-based Semantic-Aware Aggregation via Hyperbolic Hierarchical Contrastive Loss for Fine-Grained Visual Classification [17.431440244641585]
H3Formerは、きめ細かい視覚分類のための新しいトークン・ツー・リージョンフレームワークである。
SAAMは、トークン間で重み付けされたハイパーグラフを動的に構築するために、マルチスケールのコンテキストキューを利用する。
HHCLは非ユークリッド埋め込み空間において階層的意味制約を強制する。
論文 参考訳（メタデータ） (2025-11-13T12:49:10Z) - DDL: A Large-Scale Datasets for Deepfake Detection and Localization in Diversified Real-World Scenarios [51.916287988122406]
本稿では,$textbf1.4M+$forgedサンプルを含む大規模ディープフェイク検出およびローカライゼーション(textbfDDL)データセットを提案する。
我々のDDLは、複雑な現実世界の偽造のより困難なベンチマークを提供するだけでなく、次世代のディープフェイク検出、ローカライゼーション、解釈可能性メソッドを構築するための重要なサポートも提供しています。
論文 参考訳（メタデータ） (2025-06-29T15:29:03Z) - Coupling Global Context and Local Contents for Weakly-Supervised
Semantic Segmentation [54.419401869108846]
Weakly Supervised Semantic (WSSS)モデルを提案する。
グローバルなオブジェクトコンテキストを異なる粒度空間でキャプチャするために,フレキシブルなコンテキストアグリゲーションモジュールを提案する。
局所的な細粒度を集約するために、ボトムアップパラメータ学習可能な方法で意味的に一貫した特徴融合モジュールを提案する。
論文 参考訳（メタデータ） (2023-04-18T15:29:23Z)
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。