論文の概要: Twincher: Bijective Representation Learning for Robust Inversion of Continuous Systems

• arxiv url: http://arxiv.org/abs/2605.13470v1
• Date: Wed, 13 May 2026 12:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.055046
• Title: Twincher: Bijective Representation Learning for Robust Inversion of Continuous Systems
• Title（参考訳）: Twincher: 継続的システムのロバストインバージョンのための客観的表現学習
• Authors: Arkady Gonoskov,
• Abstract要約: AIの最近の進歩は、関数近似で優れている大規模なニューラルネットワークによって推進されている。 本研究では,連続進行過程の堅牢な逆転を可能にする可能性を検討する。 我々は、構造化された微分同相変換のスタックと調整された対角訓練戦略に基づくアーキテクチャのクラスであるツインチャーを提案する。
• 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: Recent advances in AI have been primarily driven by large-scale neural architectures that excel at function approximation, rather than by tailored inductive biases and inference or learning strategies that could be important for resource-efficient real-world perception and planning through the solution of inverse problems. In this work, we consider the possibility of enabling robust inversion of continuous forward processes $p \mapsto y$ by learning representations of $y$ that are bijectively aligned with $p$ while remaining insensitive to perturbations in $y$ caused by noise or model mismatch. We propose Twincher, a class of architectures based on stacks of structured diffeomorphic transformations and tailored adversarial training strategies that enable learning such bijective representations. We provide a public API for training and inference and empirically demonstrate the ability of the proposed architecture to efficiently learn bijective representations of synthetic systems, thereby enabling robust and efficient iterative inverse inference. Compared to a baseline inverse-modeling approach, the method exhibits improved data efficiency and robustness, providing initial evidence for the potential of bijective representation learning in robotics, vision, and physical AI.
• Abstract（参考訳）: AIの最近の進歩は、リソース効率のよい現実世界の認識や、逆問題解決による計画において重要な、誘導バイアスや推論や学習戦略をカスタマイズするよりも、関数近似に優れる大規模なニューラルネットワークによって主に推進されている。 本研究では, ノイズやモデルミスマッチによる$y$の摂動に敏感なまま, 対物的に$p$に整合する$y$の表現を学習することで, 連続フォワードプロセスの堅牢な逆転を可能にする可能性を検討する。 我々は、構造化された微分同相変換のスタックと、そのような単射表現の学習を可能にする対角的学習戦略に基づくアーキテクチャのクラスであるツインチャーを提案する。 本研究では,提案アーキテクチャが合成システムの客観的表現を効率的に学習し,堅牢かつ効率的な反復的逆推論を可能にすることを実証的に示す。 ベースラインの逆モデリング手法と比較して、この手法はデータ効率と堅牢性を向上し、ロボット工学、ビジョン、物理AIにおける客観的表現学習の可能性の最初の証拠を提供する。

関連論文リスト

• StaMo: Unsupervised Learning of Generalizable Robot Motion from Compact State Representation [56.996371714721995]
  高度に圧縮された2つの状態表現を学習する教師なしの手法を提案する。 私たちの表現は効率的で解釈可能で、既存のVLAベースのモデルとシームレスに統合されます。 提案手法は,コンパクトな状態表現から一般化可能なロボットモーションを学習できることから,StaMoと命名する。
  論文  参考訳（メタデータ） (2025-10-06T17:37:24Z)
• Beyond Softmax: A Natural Parameterization for Categorical Random Variables [61.709831225296305]
  階層的なバイナリ分割のシーケンスで構成される関数である$textitcatnat$関数を紹介します。 実験により,提案した関数は学習効率を向上し,一貫した試験性能を特徴とするモデルが得られることを示した。
  論文  参考訳（メタデータ） (2025-09-29T12:55:50Z)
• TRACE: Learning to Compute on Graphs [15.34239150750753]
  アーキテクチャ的に健全なバックボーンと原則学習目標に基づいて構築された新しいパラダイムである textbfTRACE を紹介する。 まず、TRACEは階層変換器を使用し、計算のステップバイステップフローを反映する。 第2に、学習問題を分離する新しい目的であるtextbffunction shift learningを導入する。
  論文  参考訳（メタデータ） (2025-09-26T05:22:32Z)
• Equivariant Representation Learning for Augmentation-based Self-Supervised Learning via Image Reconstruction [3.7003845808210594]
  本稿では,拡張型自己教師型学習アルゴリズムにおいて,画像再構成タスクを補助的コンポーネントとして統合することを提案する。 提案手法は,2つの拡張ビューから学習した特徴をブレンドし,そのうちの1つを再構築するクロスアテンション機構を実装した。 結果は、標準強化に基づく自己教師あり学習法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-12-04T13:47:37Z)
• Flow Factorized Representation Learning [109.51947536586677]
  本稿では、異なる入力変換を定義する潜在確率パスの別個のセットを規定する生成モデルを提案する。 本モデルは,ほぼ同変モデルに近づきながら,標準表現学習ベンチマークにおいて高い確率を達成することを示す。
  論文  参考訳（メタデータ） (2023-09-22T20:15:37Z)
• Learning invariant representations of time-homogeneous stochastic dynamical systems [27.127773672738535]
  我々は,そのダイナミクスを忠実に捉えた状態の表現を学習する問題を研究する。 これは、転送演算子やシステムのジェネレータを学ぶのに役立ちます。 ニューラルネットワークに対する最適化問題として,優れた表現の探索が可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-19T11:32:24Z)
• Understanding Self-Predictive Learning for Reinforcement Learning [61.62067048348786]
  強化学習のための自己予測学習の学習ダイナミクスについて検討する。 本稿では,2つの表現を同時に学習する新しい自己予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-06T20:43:37Z)
• Learning Transferable Adversarial Robust Representations via Multi-view Consistency [57.73073964318167]
  デュアルエンコーダを用いたメタ逆多視点表現学習フレームワークを提案する。 未確認領域からの少数ショット学習タスクにおけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-19T11:48:01Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)

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。