論文の概要: Encoding Robust Topological Signatures for Hyperdimensional Computing

• arxiv url: http://arxiv.org/abs/2605.16785v1
• Date: Sat, 16 May 2026 03:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.01978
• Title: Encoding Robust Topological Signatures for Hyperdimensional Computing
• Title（参考訳）: 超次元計算のためのロバスト位相符号の符号化
• Authors: Arpan Kusari,
• Abstract要約: トポロジ誘導型HDコンピューティングは, 単純なHDベースラインに比べてロバスト性を大幅に向上することを示す。 クリーンなデータに基づいて訓練されたコンパクトなCNNと比較して,本手法は,いくつかの画素レベルの破損に対して極めて強い堅牢性を提供しながら,競合するクリーンな精度を実現する。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperdimensional (HD) computing offers an attractive alternative to deep networks for edge learning due to its simplicity, fast prototype-based inference, and compatibility with online updates. However, standard pixel-based HD encoders are brittle: small distribution shifts such as rotation, noise, or occlusion can drastically reduce accuracy. We extract discrete topological primitives-most notably holes-from binarized shapes and pair them with rotation/translation/scale (RTS)-invariant shape signatures. Our method constructs RTS-stable descriptors for (i) the outer shape using a spatial-pyramid variant of Zernike moments and (ii) each hole using an intrinsic Fourier descriptor of its radial signature together with RTS-canonical relative geometry. Each primitive is mapped to a bipolar hypervector via randomized projection and role binding, and variable-cardinality hole sets are aggregated by permutation-invariant bundling to form a single image hypervector. To avoid over-weighting any cue, we learn nonnegative reliability weights for the Zernike and hole channels on a validation set via late fusion of cosine similarities. Experiments on MNIST and EMNIST under controlled corruptions (rotation, Gaussian noise, salt-and-pepper, cutout, zoom) show that Topology-guided HD computing substantially improves robustness compared with a naive HD baseline, maintaining high accuracy across multiple corruption families and benefiting from lightweight online training. Compared with a compact CNN trained on clean data, our method achieves competitive clean accuracy while offering markedly stronger robustness to several pixel-level corruptions, demonstrating that explicit topological structure is a practical route to robust HD representations. The code is provided at https://github.com/arpan-kusari/Topological-HDC.
• Abstract（参考訳）: 超次元(HD)コンピューティングは、その単純さ、プロトタイプベースの高速推論、オンライン更新との互換性により、エッジラーニングのためのディープネットワークの魅力的な代替手段を提供する。 しかし、標準的なピクセルベースのHDエンコーダは脆く、回転、ノイズ、オクルージョンなどの小さな分散シフトは、精度を大幅に低下させる。 そこで我々は,二項化形状から個々のトポロジカルプリミティブを抽出し,回転/翻訳/スケール(RTS)不変形状シグネチャと組み合わせる。 提案手法はRTSの安定な記述子を構築する。 一 ザーニークモーメントの空間ピラミド変種を用いた外形 (II) RTS-カノニカル相対幾何学とともに、その放射状シグネチャの固有フーリエ記述子を用いた各ホール。 各プリミティブはランダム化された投影とロール結合によって双極性ハイパーベクターにマッピングされ、可変心電ホールセットは置換不変バンドルによって集約され、単一の画像ハイパーベクターを形成する。 任意のキューの過度な重み付けを避けるために,コサイン類似性の後期融合による検証セット上でZernikeとホールチャネルの非負の信頼性重みを学習する。 MNISTとEMNISTを制御した汚損(ローテーション、ガウスノイズ、ソルト・アンド・ペッパー、カットアウト、ズーム)下での実験では、トポロジー誘導型HDコンピューティングは、単純なHDベースラインに比べてロバスト性を大幅に向上し、複数の汚職家族間で高い精度を維持し、軽量オンライントレーニングの恩恵を受けることが示されている。 クリーンなデータに基づいて訓練されたコンパクトCNNと比較して,提案手法は,いくつかの画素レベルの汚損に対して顕著に強い強靭性を提供しながら,競合するクリーンな精度を実現し,明示的な位相構造がHD表現への実用的な経路であることを実証した。 コードはhttps://github.com/arpan-kusari/Topological-HDCで提供されている。

関連論文リスト

• PKINet-v2: Towards Powerful and Efficient Poly-Kernel Remote Sensing Object Detection [73.05827565991488]
  PKINet-v2は異方性軸ストリップ畳み込みと等方性正方核を共役し、マルチスコープの受容場を構築する。 PKINet-v2 は PKINet-v1 と比較して$bf3.9times$ FPS の高速化を実現している。
  論文  参考訳（メタデータ） (2026-03-17T10:17:58Z)
• 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)
• HyperTopo-Adapters: Geometry- and Topology-Aware Segmentation of Leaf Lesions on Frozen Encoders [0.14323566945483493]
  葉配列のセグメンテーションはトポロジーに敏感であり、小さなマージ、分裂、または偽の穴は生化学経路の有意義な記述である。 HyperTopo-Adaptersは、凍結した視覚エンコーダの上で訓練された軽量でパラメータ効率のよいヘッドだ。 初期の結果は、Kaggleのリーフ-レセオンデータセット上で境界とトポロジーのメトリクスが一貫した増加を示している。
  論文  参考訳（メタデータ） (2025-12-29T04:27:26Z)
• Towards Strong Certified Defense with Universal Asymmetric Randomization [45.903124918873715]
  UCANは、既存のランダムな平滑化手法を強化し、それを対称(等方性)から非対称(異方性)ノイズ分布に変換するように設計されている。 我々の理論フレームワークは、様々な$ell_p$-normsで証明されたロバスト性のために、幅広いノイズ分布をサポートする。 実証的な評価は、既存の最先端手法よりもUCANの性能が飛躍的に向上したことを示している。
  論文  参考訳（メタデータ） (2025-10-22T19:14:26Z)
• Gaussian Primitive Optimized Deformable Retinal Image Registration [19.882820812725523]
  変形性網膜画像登録は、大きな同種領域とスパースだが重要な血管的特徴のため、非常に困難である。 これらの課題を克服するために、構造化メッセージパッシングを実行する新しい反復的フレームワークを導入する。 FIREデータセットの実験では、GPOはターゲット登録エラーを6.2,pxから2.4,pxに減らし、AUCを0.770から0.938に増やしている。
  論文  参考訳（メタデータ） (2025-08-23T00:44:50Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• DPC: Unsupervised Deep Point Correspondence via Cross and Self Construction [29.191330510706408]
  本稿では, 形状構造に基づく点雲間のリアルタイム非剛性密度対応法を提案する。 提案手法はディープポイント対応 (DPC) と呼ばれ, 従来の手法と比較してトレーニングデータのごく一部を必要とする。 提案手法は,最近の最先端対応手法と比較して性能が向上する。
  論文  参考訳（メタデータ） (2021-10-16T18:41:13Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)
• Align Deep Features for Oriented Object Detection [40.28244152216309]
  本稿では、FAM(Feature Alignment Module)とODM(Oriented Detection Module)の2つのモジュールからなる単発アライメントネットワーク(S$2$A-Net)を提案する。 FAMは、アンカー・リファインメント・ネットワークで高品質なアンカーを生成し、アンカーボックスに応じた畳み込み特徴と、新しいアライメント・コンボリューション・コンボリューションとを適応的に調整することができる。 ODMは、まず、向き情報を符号化するためにアクティブな回転フィルタを採用し、次に、分類スコアとローカライゼーション精度の不整合を軽減するために、向きに敏感で方向不変な特徴を生成する。
  論文  参考訳（メタデータ） (2020-08-21T09:55:13Z)

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。