論文の概要: Spatial Adapter: Structured Spatial Decomposition and Closed-Form Covariance for Frozen Predictors

• arxiv url: http://arxiv.org/abs/2605.11394v1
• Date: Tue, 12 May 2026 01:29:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.513192
• Title: Spatial Adapter: Structured Spatial Decomposition and Closed-Form Covariance for Frozen Predictors
• Title（参考訳）: 空間適応器:凍結予測器における構造的空間分解と閉形共分散
• Authors: Wen-Ting Wang, Wei-Ying Wu, Hao-Yun Huang, Xuan-Chun Wang,
• Abstract要約: 本研究では, 凍結した第1ステージ予測器に残留磁場の空間的構造を付加したパラメータ効率の高いポストホック層を提案する。 アダプタは残留物に関するカスケード第2段階として動作し、空間的に正規化された正則基底とサンプル毎のスコアを共同で学習する。 第1段階のパラメータは凍結するため、アダプタはバックボーンをリトレーニングしない。
• 参考スコア（独自算出の注目度）: 0.6643390346826856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the Spatial Adapter, a parameter-efficient post-hoc layer that equips any frozen first-stage predictor with a structured spatial representation of its residual field and an induced closed-form spatial covariance. The adapter operates as a cascade second stage on residuals, jointly learning a spatially regularized orthonormal basis and per-sample scores via a tractable mini-batch ADMM procedure, without modifying any first-stage parameter. Because the first-stage parameters are frozen, the adapter does not retrain the backbone; its role is to supply a compressed distributional summary of the residual field. Smoothness, sparsity, and orthogonality together turn a generic low-rank factorization into an identifiable spatial representation whose induced residual covariance admits a closed-form low-rank-plus-noise estimator; the effective rank is determined data-adaptively by spectral thresholding, while the nominal rank K is an optimization-side upper bound only. This covariance enables kriging-style spatial prediction at unobserved locations, with plug-in uncertainty quantification as a secondary downstream use. Across synthetic data, Weather2K for spatial-holdout prediction, and GWHD patch grids as a basis-transferability diagnostic, the adapter recovers residual spatial structure when paired with frozen first stages from linear models to deep spatiotemporal and vision backbones; the added representation uses fewer than K(N+T) parameters alongside a compact residual-trend network.
• Abstract（参考訳）: 本研究では, 凍結した第1ステージ予測器に, 残留場の構造的空間表現と, 誘導閉形空間共分散を有するパラメータ効率の高いポストホック層である空間適応器を提案する。 アダプタは、残留物に関するカスケード第2段階として動作し、第1段階のパラメータを変更することなく、牽引可能なミニバッチADMM手順を介して、空間的に正規化された正則基底とサンプル毎のスコアを共同学習する。 1段目のパラメータは凍結しているため、アダプタはバックボーンをリトレーニングしない。 Smoothness, sparsity, and orthogonality together to an generic low-rank factorization into an identible space representation that induced residual covariance admits a closed-form Low-rank-plus-noise estimator; the effective rank is determined by spectrum thresholding, while the named rank K is a optimization-side upper bound only。 この共分散は、プラグインの不確実性定量化を二次下流使用として、観測されていない場所でのクリグスタイルの空間予測を可能にする。 合成データ、空間的ホールドアウト予測のためのWeather2K、基底変換可能性診断のためのGWHDパッチグリッド、アダプタは線形モデルから深部時空間および視線バックボーンへの凍結第1ステージとのペアリング時に残留空間構造を復元し、付加表現はコンパクトな残留トレンドネットワークとともにK(N+T)パラメータ未満を使用する。

関連論文リスト

• Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
  画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。 本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:58:43Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Adaptive Regime-Switching Forecasts with Distribution-Free Uncertainty: Deep Switching State-Space Models Meet Conformal Prediction [38.37518767859008]
  適応等角推論(Adaptive Conformal Inference, ACI)と集約変種(AgACI)を結合したDeep Switching State Space Modelsによるレシエーションスイッチング予測の分布自由不確実性について検討する。 また、S4, MC-Dropout GRU, スパースガウス過程を含む強力なシーケンスベースライン上に位置する統一型コンフォメーションラッパーを導入し、非定常性とモデル不特定性の下で有限サンプルの限界保証付きオンライン予測バンドを生成するための変更点局所モデルを提案する。
  論文  参考訳（メタデータ） (2025-12-02T23:21:01Z)
• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• Split Conformal Prediction in the Function Space with Neural Operators [7.619100818009453]
  等角予測は有限次元空間において有限サンプル保証を与える。 直接関数値出力に拡張しない。 この研究は、2段階法に従って関数空間への共形予測を分割する。
  論文  参考訳（メタデータ） (2025-09-04T19:12:04Z)
• Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
  ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。 本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Sparse Representations of Positive Functions via First and Second-Order Pseudo-Mirror Descent [15.340540198612823]
  推定器の範囲が非負である必要がある場合、予測されるリスク問題を考察する。 Emphpseudo-gradientsを用いた近似ミラーの1階および2階の変種を開発した。 実験は、実際に不均一なプロセス強度推定に好適な性能を示す。
  論文  参考訳（メタデータ） (2020-11-13T21:54:28Z)

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。