論文の概要: AURORA: Contextual Orthogonalization for Geometric Representation Learning in Healthcare Foundation Models

• arxiv url: http://arxiv.org/abs/2605.17765v1
• Date: Mon, 18 May 2026 02:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.600093
• Title: AURORA: Contextual Orthogonalization for Geometric Representation Learning in Healthcare Foundation Models
• Title（参考訳）: AURORA:医療ファウンデーションモデルにおける幾何学的表現学習のためのコンテキスト直交化
• Abstract要約: AURORA, Adaptive Uncertainty Representations through Orthogonalized observedal alignment。 AURORAは意味的部分空間を文脈的要素に分解し、各部分空間内の一貫性の目標を学習する。 コンテクストの混乱、近隣の純度、制度的な流通シフトの下で、コンテクストの再構築を継続的に上回り、実質的に改善する。
• 参考スコア（独自算出の注目度）: 1.7823291802496628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent healthcare foundation models have achieved strong predictive performance through large scale self supervised learning, yet their latent representations frequently entangle physiologic severity, intervention intensity, observational structure, and institutional workflow into shared embedding directions. While effective for downstream prediction, such representations remain semantically opaque and unstable under contextual shift. We introduce AURORA, Adaptive Uncertainty aware Representations through Orthogonalized Relational Alignment, a new framework for healthcare representation learning based on contextual latent geometry. Rather than optimizing a single unified embedding manifold, AURORA decomposes representations into orthogonal semantic subspaces corresponding to distinct contextual factors and learns relational consistency objectives within each subspace. This induces latent spaces that are both semantically disentangled and geometrically interpretable. Across multiple clinical prediction and retrieval tasks, AURORA consistently outperforms reconstruction, contrastive, and self distillation baselines while substantially improving contextual disentanglement, neighborhood purity, and robustness under institutional distribution shift. Our results suggest that latent geometry itself constitutes an important axis of healthcare foundation model design and that explicitly structuring representation space according to contextual semantics provides a complementary direction beyond conventional predictive compression objectives.
• Abstract（参考訳）: 近年の医療基盤モデルは,大規模自己指導型学習を通じて高い予測性能を達成しているが,その潜在的表現は生理的重大度,介入強度,観察構造,組織的ワークフローを共有埋め込み方向へと束縛することが多い。 下流の予測には有効であるが、このような表現は文脈シフトの下で意味的に不透明で不安定なままである。 AURORA, Adaptive Uncertainty aware Representations through Orthogonalized Relational Alignment, is a new framework for medical representation learning based on contextual latent geometry。 単一の統合埋め込み多様体を最適化するのではなく、AURORAは表現を異なる文脈要因に対応する直交意味部分空間に分解し、各部分空間内の関係整合目標を学ぶ。 これにより、意味的に非交方かつ幾何学的に解釈可能な潜在空間が誘導される。 複数の臨床予測と検索作業を通じて、AURORAは再構築、コントラスト、自己蒸留のベースラインを一貫して上回りながら、組織的な分散シフト下でのコンテキストの混乱、近隣の純度、ロバスト性を大幅に改善する。 以上の結果から,潜在幾何学自体が医療基盤モデル設計の重要な軸であり,文脈意味論に基づく表現空間を明示的に構築することは,従来の予測的圧縮目標を超える補完的な方向性をもたらすことが示唆された。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Hyperbolic Multimodal Continual Learning [90.3699346061366]
  この研究は双曲空間における表現保存の理論的基盤を提供する。 双曲型連続学習における忘れは意味的関係のドリフトと階層的関係の歪みの両方を伴っていることを示す。 本稿では,新しいタスクに効果的な適応を図りつつ,基本的な幾何学的構造を保ちながら学習を継続する枠組みを提案する。
  論文  参考訳（メタデータ） (2026-08-10T13:07:26Z)
• On the Role of Inductive Bias in Time-Series Pretraining: A Case Study in Learning Generalizable Representations for Clinical Time Series [3.5353167506352445]
  課題タイプや課題間の表現が伝達されるように、事前学習対象がどの帰納的バイアスを課すべきかを考察する。 ダイナミクス中心の混合物は最もバランスの取れた移動を生み出す。 全体として、局所的再構成と時間的連続性を組み合わせるとともに、アクセスが現実的であればコンテキスト内条件付けを加えることで、堅牢な主観的表現が得られる。
  論文  参考訳（メタデータ） (2026-05-25T15:40:33Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Self-Evolving Spatial Reasoning in Vision Language Models via Geometric Logic Consistency [53.28076739140119]
  本稿では,視覚・言語モデル(VLM)における論理的一貫性を幾何学的・言語的双対性演算によって実現する枠組みを提案する。 SAGEは、従来のGRPO法に比べてモデルに依存しず、データ効率が良く、既存のVLMに軽量な後学習段階として適用することができる。 ビデオおよび空間推論ベンチマークの実験では、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-05-18T10:05:21Z)
• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• Learning to Perceive "Where": Spatial Pretext Tasks for Robust Self-Supervised Learning [17.753167530453997]
  空間認識型プレテキスト回帰タスクである空間予測を導入し、同じ画像から一対の非絡み合ったローカルビュー間の相対的な位置とスケールを予測する。 連続幾何学空間における部分対部分関係をモデル化することにより、SPは表現がきめ細かい空間依存を捉えることを奨励する。 実験では、画像認識、きめ細かな分類、セマンティックセグメンテーション、深さ推定、および物体認識におけるアウト・オブ・ディストリビューションの大幅な向上が示されている。
  論文  参考訳（メタデータ） (2026-05-11T04:15:34Z)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• Emergent Structured Representations Support Flexible In-Context Inference in Large Language Models [77.98801218316505]
  大型言語モデル(LLM)は、人間のような推論を示唆する創発的な行動を示す。 テキスト内概念推論におけるLLMの内部処理について検討する。
  論文  参考訳（メタデータ） (2026-02-08T03:14:39Z)
• Dense Feature Learning via Linear Structure Preservation in Medical Data [30.77691570199694]
  医学データのためのディープラーニングモデルは、典型的には、少数の識別方向への表現の崩壊を促すタスク固有の目的を用いて訓練される。 医用埋め込みの線形構造を明示的に形成する表現中心型フレームワークである高密度特徴学習を提案する。
  論文  参考訳（メタデータ） (2026-02-07T21:23:35Z)
• Sparsification and Reconstruction from the Perspective of Representation Geometry [10.834177456685538]
  スパースオートエンコーダ (SAE) は機械的解釈可能性において主要なツールである。 本研究は,表現幾何学の観点から,空間の原理を説明する。 具体的には、表現を理解し、表現の制約を取り入れることの必要性を強調している。
  論文  参考訳（メタデータ） (2025-05-28T15:54:33Z)
• Hierarchical Contextual Manifold Alignment for Structuring Latent Representations in Large Language Models [7.798982346197703]
  潜在トークン表現の組織化は、言語モデルの安定性、一般化、文脈整合性を決定する上で重要な役割を果たす。 コアモデル重みを変化させることなくトークン埋め込みに階層的アライメント手法を導入した。 実験により, 希少なトークン検索, 逆方向, 長距離依存性追跡の改善が示された。
  論文  参考訳（メタデータ） (2025-02-06T04:01:27Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。