論文の概要: TopoAlign: Topology-Aware Visual Representation Alignment

• arxiv url: http://arxiv.org/abs/2605.25541v1
• Date: Mon, 25 May 2026 07:58:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.452057
• Title: TopoAlign: Topology-Aware Visual Representation Alignment
• Title（参考訳）: TopoAlign: トポロジーを意識した視覚表現アライメント
• Authors: Xinyuan Yan, Rita Sevastjanova, Mennatallah El-Assady, Bei Wang,
• Abstract要約: TopoAlignは、構造の観点からモデル表現を視覚的に比較するためのフレームワークである。 TopoAlignは、トポロジカルな視点から表現構造とアライメントについて有意義な洞察を提供する。
• 参考スコア（独自算出の注目度）: 18.80110544625249
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks encode inputs as high-dimensional vectors, known as representations, that capture how models process data by encoding task-relevant structure and semantics. Representation alignment refers to the degree to which different models, layers, or training conditions produce similar representations for the same inputs, with important implications for model interpretation, selection, and robustness analysis. Existing approaches to measure alignment primarily rely on geometric properties, such as neighborhood and cluster similarity, offering limited insight into the global organization of representations. In this work, we present TopoAlign, a topology-aware framework for visually comparing model representations from a structural perspective. Leveraging mapper graphs from topological data analysis, TopoAlign jointly analyzes graphs constructed from representations of shared inputs across different models or layers. The framework supports a top-down comparative workflow: it first performs global structure alignment via joint force-directed optimization to produce coordinated graph layouts; it then identifies local correspondences through automated detection of structurally matching regions, visualized with Bubble Sets; and finally it enables fine-grained pattern inspection through motif-based queries and membrane-inspired visualizations. We demonstrate TopoAlign through case studies on language and multimodal models, complemented by expert feedback. Our results show that TopoAlign provides meaningful insights into representation structure and alignment from a topological perspective.
• Abstract（参考訳）: ニューラルネットワークは入力を高次元ベクトルとしてエンコードし、タスク関連構造と意味論を符号化することでモデルがどのようにデータを処理するかをキャプチャする。 表現アライメント(representation alignment)とは、異なるモデル、レイヤ、またはトレーニング条件が同じ入力に対して類似した表現を生成する程度を指し、モデル解釈、選択、堅牢性分析に重要な意味を持つ。 アライメントを測る既存のアプローチは、主に近傍やクラスタ類似性のような幾何学的性質に依存しており、表現のグローバルな組織についての限られた洞察を提供する。 本稿では,構造的観点からモデル表現を視覚的に比較するためのトポロジ対応フレームワークであるTopoAlignを紹介する。 トポロジカルデータ分析からマッパーグラフを活用することで、TopoAlignは、異なるモデルやレイヤ間で共有入力の表現から構築されたグラフを共同で分析する。 このフレームワークはトップダウン比較ワークフローをサポートしており、まず、協調力による最適化を通じてグローバルな構造アライメントを実行し、協調したグラフレイアウトを生成し、次に、構造にマッチした領域を自動的に検出して、バブルセットで視覚化し、最後にモチーフベースのクエリや膜にインスパイアされた視覚化を通じて、きめ細かなパターンインスペクションを可能にする。 TopoAlignは,専門家のフィードバックによって補完される言語モデルとマルチモーダルモデルのケーススタディを通じて実証する。 以上の結果から,TopoAlignはトポロジカルな視点から表現構造とアライメントに有意義な洞察を与えることが示された。

関連論文リスト

• Semantic Generative Tuning for Unified Multimodal Models [62.18894352635965]
  統一マルチモーダルモデル(UMM)は、単一のアーキテクチャ内で視覚的理解と視覚的生成を統合する。 訓練パラダイムは 独立して テキスト信号を通して 理解を最適化する 密集したピクセルの目的を通して 生成する 本研究は,UMMの分離を橋渡しするための生成プロキシとして階層的視覚タスクを定式化する,生成後学習に関する最初の体系的な研究である。
  論文  参考訳（メタデータ） (2026-05-18T17:46:46Z)
• Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs [81.43302841109349]
  学習後のデータは、大規模言語モデル(LLM)の機能を形成する上で重要な役割を果たす 本稿では,データセット開発における進化グラフを再構築する自動マルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-12T06:24:07Z)
• Bridging Structure and Appearance: Topological Features for Robust Self-Supervised Segmentation [8.584363058858935]
  自己教師付きセマンティックセグメンテーション法は、外観の曖昧さに直面して失敗することが多い。 これは、影、光沢、局所的なテクスチャといった不安定で外観に基づく特徴に過度に依存しているためである、と我々は主張する。 安定な位相情報を活用することで外観と幾何学を橋渡しする新しいフレームワークである textbfGASeg を提案する。
  論文  参考訳（メタデータ） (2025-12-30T05:34:28Z)
• Mind-the-Glitch: Visual Correspondence for Detecting Inconsistencies in Subject-Driven Generation [120.23172120151821]
  本稿では,事前学習した拡散モデルのバックボーンから視覚的特徴と意味的特徴を分離するための新しいアプローチを提案する。 注釈付きセマンティックと視覚対応を備えた画像ペアを構築する自動パイプラインを導入する。 被験者駆動画像生成における視覚的不整合を定量化する新しい指標であるビジュアルセマンティックマッチングを提案する。
  論文  参考訳（メタデータ） (2025-09-26T07:11:55Z)
• Persistent Topological Features in Large Language Models [0.6597195879147556]
  トポロジカルな特徴である$p$次元の穴が層全体に持続し、進化していくかを測定するトポロジカル記述子を導入する。 このことは、プロンプトがどのように再配置され、それらの相対的な位置が表現空間で変化するかという統計的視点を与える。 ショーケースアプリケーションとして、レイヤプルーニングの基準を確立するためにzigzag Persistenceを使用し、最先端の手法に匹敵する結果を得る。
  論文  参考訳（メタデータ） (2024-10-14T19:46:23Z)
• Deciphering 'What' and 'Where' Visual Pathways from Spectral Clustering of Layer-Distributed Neural Representations [15.59251297818324]
  本稿では,ニューラルネットワークのアクティベーションに含まれる情報をグループ化する手法を提案する。 すべてのレイヤの機能を利用して、モデルのどの部分が関連する情報を含んでいるのかを推測する必要をなくします。
  論文  参考訳（メタデータ） (2023-12-11T01:20:34Z)
• Neural Constraint Satisfaction: Hierarchical Abstraction for Combinatorial Generalization in Object Rearrangement [75.9289887536165]
  基礎となるエンティティを明らかにするための階層的抽象化手法を提案する。 本研究では,エージェントのモデルにおける実体の状態の介入と,環境中の物体に作用する状態の対応関係を学習する方法を示す。 この対応を利用して、オブジェクトの異なる数や構成に一般化する制御法を開発する。
  論文  参考訳（メタデータ） (2023-03-20T18:19:36Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。