論文の概要: Content-Style Identification via Differential Independence

• arxiv url: http://arxiv.org/abs/2605.17827v1
• Date: Mon, 18 May 2026 04:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.801365
• Title: Content-Style Identification via Differential Independence
• Title（参考訳）: 差分独立によるコンテンツスタイル同定
• Authors: Subash Timilsina, Hoang-Son Nguyen, Sagar Shrestha, Xiao Fu,
• Abstract要約: 生成解析はしばしば、ドメイン不変コンテンツ変数とドメイン固有スタイル変数の非線形混合をモデル化する。 コンテンツとスタイルが依存していて、ヤコビアンが密接な場合でも、コンテンツスタイルの差分独立を導入し、識別可能性を実現する。 複数のデータセットにまたがる実験は、識別可能性の分析を裏付け、反事実生成とドメイン翻訳の実践的な利点を示す。
• 参考スコア（独自算出の注目度）: 16.77630551061651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative analysis often models multi-domain observations as nonlinear mixtures of domain-invariant content variables and domain-specific style variables. Identifying both factors from unpaired domains enables tasks such as domain transfer and counterfactual data generation. Prior work establishes identifiability under (block-wise) statistical independence between content and style, or via sparse Jacobian assumptions on the nonlinear mixing function, but such conditions can be restrictive in practice. In this work, we introduce content-style differential independence (CSDI), an alternative structural condition requiring that infinitesimal variations in content and style induce orthogonal directions on the data manifold, thereby enabling identifiability even when content and style are dependent and the Jacobian is dense. We operationalize this condition through a blockwise orthogonality constraint on the Jacobian subspaces associated with content and style. To support high-dimensional generative models, we design a stochastic regularizer based on numerical Jacobian approximation, enabling scalable training in settings such as high-resolution image generation. Experiments across multiple datasets corroborate the identifiability analysis and demonstrate practical benefits on counterfactual generation and domain translation.
• Abstract（参考訳）: 生成解析はしばしば、ドメイン不変コンテンツ変数とドメイン固有スタイル変数の非線形混合として、マルチドメイン観測をモデル化する。 両方の要素を障害のないドメインから識別することで、ドメイン転送や反ファクトデータ生成といったタスクが可能になる。 以前の研究は、内容とスタイルの間の(ブロックワイドな)統計的独立性、あるいは非線形混合関数上のスパースジャコビアン仮定の下での識別可能性を確立するが、実際にはそのような条件は限定的である。 本研究では,コンテンツとスタイルの無限小変動がデータ多様体上の直交方向を誘導することを要求する代替構造条件であるCSDIを導入し,コンテンツとスタイルが依存していて,ヤコビアンが密接な場合でも識別可能であることを示す。 我々は、コンテンツやスタイルに関連するヤコビアン部分空間のブロックワイズ直交制約を通じて、この条件を運用する。 高次元生成モデルをサポートするために,数値ジャコビアン近似に基づく確率正規化器を設計し,高解像度画像生成などの設定におけるスケーラブルなトレーニングを可能にする。 複数のデータセットにまたがる実験は、識別可能性の分析を裏付け、反事実生成とドメイン翻訳の実践的な利点を示す。

関連論文リスト

• Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
  本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。 各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
  論文  参考訳（メタデータ） (2025-06-02T08:13:32Z)
• Content-Style Learning from Unaligned Domains: Identifiability under Unknown Latent Dimensions [11.872336932802844]
  クロスドメインテクトitlatent Distribution Match (LDM) による新しい分析フレームワークを提案する。 我々は、潜伏変数の成分的独立性のような制限的な仮定を除去できることを示す。 我々は LDM の定式化を正規化マルチドメイン GAN ロスに再キャストし, 遅延変数を結合させた。
  論文  参考訳（メタデータ） (2024-11-06T08:30:23Z)
• Latent Covariate Shift: Unlocking Partial Identifiability for Multi-Source Domain Adaptation [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Linear Discriminant Analysis with High-dimensional Mixed Variables [10.774094462083843]
  本稿では,混合変数を用いた高次元観測の分類手法を提案する。 データを指数関数的に多くのセルに分割するという課題を克服する。 推定精度と誤分類率に関する結果が確立される。
  論文  参考訳（メタデータ） (2021-12-14T03:57:56Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Learning to Manipulate Individual Objects in an Image [71.55005356240761]
  本稿では,独立性および局所性を有する潜在因子を用いた生成モデルを学習する手法について述べる。 これは、潜伏変数の摂動が、オブジェクトに対応する合成画像の局所領域のみに影響を与えることを意味する。 他の教師なし生成モデルとは異なり、オブジェクトレベルのアノテーションを必要とせず、オブジェクト中心の操作を可能にする。
  論文  参考訳（メタデータ） (2020-04-11T21:50:20Z)

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。