論文の概要: STEP: Learning STructured Embeddings for Progressive Time Series

• arxiv url: http://arxiv.org/abs/2605.31061v1
• Date: Fri, 29 May 2026 09:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.509747
• Title: STEP: Learning STructured Embeddings for Progressive Time Series
• Title（参考訳）: STEP: プログレッシブ時系列のための構造化埋め込みの学習
• Abstract要約: 本稿では,プログレッシブ時系列の解釈可能な表現を学習するための新しい手法を提案する。 我々の手法は、低次元の潜在空間を学習するために、自己教師付きコントラスト的目的を用いている。 多様な領域における最先端技術に対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 1.034052616244602
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a novel method for learning interpretable representations of progressive time series, that is, data capturing irreversible state transitions such as degradation or task completion. Our approach uses a self-supervised contrastive objective to learn a low-dimensional latent space whose geometry is itself the interpretation: each observation becomes a point on a manifold anchored between two fixed orthogonal prototype vectors, and a trajectory becomes a path across that manifold. From this structure we read a latent compass, the polar coordinates (θ, r) of the latent vector, in which θ tracks the progression of the underlying state (e.g., from healthy to failed) and r identifies the active mode (e.g., the operating condition), without any proxy labels. We evaluate the approach against the state of the art on diverse domains, including industrial degradation, robotic tasks, and neural activity, validating three key capabilities: (1) end-state prediction, (2) multi-step forecasting, and (3) interpretable phase separation. Our method matches or improves over black-box counterparts on all of these while providing transparency about the underlying mechanisms. A simple linear regressor on top of the latent compass coordinates is competitive with deep architectures, direct quantitative evidence that the underlying state is encoded in a geometrically accessible form.
• Abstract（参考訳）: 本稿では、進行時系列の解釈可能な表現、すなわち、劣化やタスク完了といった不可逆な状態遷移をキャプチャするデータを学習する新しい方法を提案する。 我々のアプローチでは、幾何学自体が解釈である低次元の潜在空間を学ぶために、自己教師付き相対的対象を用いており、それぞれの観測は2つの固定直交プロトタイプベクトルの間に固定された多様体上の点となり、軌跡はその多様体を横切る経路となる。 この構造から、潜時ベクトルの極座標(θ, r)である潜時コンパスを読み、θは基底状態(例えば、健康状態から失敗状態)の進行を追跡し、rは、プロキシラベルなしで活性モード(例えば、動作状態)を特定する。 産業劣化, ロボットタスク, 神経活動など, さまざまな分野の最先端に対するアプローチを評価し, 1) エンドステート予測, (2) マルチステップ予測, (3) 解釈可能な相分離の3つの重要な機能を検証した。 提案手法は,これらすべてにおいてブラックボックスと一致するか,あるいは改善すると同時に,基盤となるメカニズムに関する透明性を提供する。 潜在コンパス座標上の単純な線形回帰器は、基底状態が幾何学的にアクセス可能な形で符号化されているという直接的な量的証拠であるディープアーキテクチャと競合する。

関連論文リスト

• Bypass Observation: A Conceptual Design of a Non-Intrusive Layer-Wise Semantic Extraction Architecture [2.8943395720203386]
  Bypass Observationは、非侵襲的な層単位の読み出しアーキテクチャである。 V/(12d) に支配される閉形式オーバーヘッド近似を導出する。 Bypass Observationは、隠された状態の部分的、潜在的に誤解を招く可能性のあるプロジェクションを保ちながら、モデルイテレーションをより観測可能にすることができる、と私たちは主張する。
  論文  参考訳（メタデータ） (2026-09-12T08:35:45Z)
• A*-Thought-V2: Efficient Latent Reasoning via Geometric Dynamics of LLM [40.07171947823021]
  CoT(Chain-of-Thought)は、LLM(Large Language Models)の推論能力を改善するが、かなりの計算とコンテキストコストを発生させる。 A*-Thought-V2 は LLM ガイドフレームワークの幾何学的ダイナミクスであり,COT を隠れ状態軌道としてモデル化し,ハード削除を明示的かつ単純でインターリーブな潜在アーキテクチャに置き換える。
  論文  参考訳（メタデータ） (2026-09-07T17:56:20Z)
• DINOde: Continuous Vision-Text Alignment for Open-Vocabulary Semantic Segmentation [53.011370226020695]
  DINOdeは、CLIPテキストの埋め込みをDINO視覚多様体と整合させるODEベースのフレームワークである。 提案手法では, (i) Semantic Text Flow (STF) と (ii) Global Context Flow (GCF) の2つの相補的要素を用いて, DINO の CLS トークンが持つ全体像表現を洗練する。 連続軌道としてアライメントをモデル化することにより、ディノドは離散射影に固有の絡み合いを回避し、より堅牢なクロスモーダルアライメントをもたらす。
  論文  参考訳（メタデータ） (2026-07-23T14:37:27Z)
• Structural Action Transformer for 3D Dexterous Manipulation [80.07649565189035]
  クロス・エボディメント・スキル・トランスファーは、ハイDoFロボットハンドの課題である。 既存の手法は、しばしば2次元の観測と時間中心の行動表現に依存し、3次元の空間的関係を捉えるのに苦労する。 本稿では、構造中心の視点を導入することで、このパラダイムに挑戦する新しい3Dデクスタラスな操作ポリシーを提案する。
  論文  参考訳（メタデータ） (2026-03-04T11:38:12Z)
• Self-Supervised Cross-Modal Learning for Image-to-Point Cloud Registration [22.360139236823155]
  CrossI2Pは、クロスモーダル学習と2段階の登録を単一のエンドツーエンドパイプラインで統合する、自己教師型フレームワークである。 我々は、CrossI2Pが、KITTI Odometryベンチマークで23.7%、nuScenesで37.9%、最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-19T11:29:22Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• MAPConNet: Self-supervised 3D Pose Transfer with Mesh and Point Contrastive Learning [32.97354536302333]
  3次元ポーズ転送は、ソースジオメトリのポーズを、ターゲットアイデンティティを保存したターゲットジオメトリに転送することを目的とした、困難な生成タスクである。 現在のポーズ伝達法は、エンドツーエンドの対応学習を可能にするが、監督のための基礎的真理として望ましい最終的な出力を必要とする。 本稿では、教師なし、半教師なし、あるいは完全に教師付き設定で訓練できる3Dポーズ転送のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T20:42:40Z)
• Unsupervised Learning of Equivariant Structure from Sequences [30.974508897223124]
  我々は,少なくとも3つの長さの時系列から対称性を学習するための教師なしのフレームワークを提案する。 当社のフレームワークでは,データセットの非絡み合い構造が副産物として自然に現れることを実証します。
  論文  参考訳（メタデータ） (2022-10-12T07:29:18Z)
• Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds with Optimal Transport and Random Walk [59.87525177207915]
  シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。 本手法は,自己教師付き学習手法の最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-18T03:12:42Z)
• From Planes to Corners: Multi-Purpose Primitive Detection in Unorganized 3D Point Clouds [59.98665358527686]
  直交平面の分割自由結合推定法を提案する。 このような統合されたシーン探索は、セマンティックプレーンの検出や局所的およびグローバルなスキャンアライメントといった、多目的のアプリケーションを可能にする。 本実験は,壁面検出から6次元トラッキングに至るまで,様々なシナリオにおいて,我々のアプローチの有効性を実証するものである。
  論文  参考訳（メタデータ） (2020-01-21T06:51:47Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。