論文の概要: DiffoR: A Unified Continuous Generative Framework for Universal Ordinal Regression

• arxiv url: http://arxiv.org/abs/2606.07599v1
• Date: Fri, 29 May 2026 07:38:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.764783
• Title: DiffoR: A Unified Continuous Generative Framework for Universal Ordinal Regression
• Title（参考訳）: DiffoR: 普遍的順序回帰のための統一された継続的生成フレームワーク
• Abstract要約: 正規回帰は、固有の順序でターゲット値を予測することを目的としている。 既存のパラダイムは、量子化アーティファクトとグローバルな順序的トポロジカルな知覚の欠如によって制約されている。 新たなパラダイムの下では,拡散モデルを用いて連続順序値の復元を行う統合フレームワークであるDiffORを導入する。
• 参考スコア（独自算出の注目度）: 37.354096693649375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal Regression (OR) aims to predict target values with inherent order, underpinning critical applications across diverse domains, from recommender systems to computer vision. Though having evolved from naive regression to discretization-based classification and generation, existing paradigms remain fundamentally constrained by quantization artifacts and the lack of global ordinal topological perception. These methods typically enforce rigid boundary delineations, failing to capture the non-stationary semantic transitions inherent to ordinal data. In this paper, we propose a novel paradigm where OR is formulated as a Continuous Generative Ordinal Regression task. Under the novel paradigm, we introduce DiffOR, a unified framework that leverages diffusion models to recover continuous ordinal values via iterative denoising, thereby enabling the dynamic learning of soft semantic transitions. To explicitly preserve ordinal topology, we devise a Dual-Decoupling Strategy: Spatially, Multi-scale Increment Aggregation decomposes targets into hierarchical continuous increments; Temporally, Dynamic Denoising Perception synchronizes denoising steps with feature frequencies, ensuring robust coarse-to-fine refinement. Theoretically, we show that the proposed method can significantly enhance both representation capability and mechanistic interpretability. Extensive experiments on 12 benchmarks across four domains validate DiffOR's consistent superiority over state-of-the-art methods, establishing a new standard that demonstrates strong potential as a general-purpose solution for universal ordinal regression.
• Abstract（参考訳）: Ordinal Regression(OR)は、レコメンダシステムからコンピュータビジョンに至るまで、さまざまな領域において重要なアプリケーションを支える、固有の順序でターゲット値を予測することを目的としている。 単純な回帰から離散化に基づく分類と生成へと進化してきたが、既存のパラダイムは、量子化アーティファクトとグローバルな順序的トポロジカルな認識の欠如によって、根本的な制約を受け続けている。 これらの手法は、通常、厳密な境界線を強制し、順序データ固有の非定常意味遷移を捉えない。 本稿では,ORを連続生成規則回帰タスクとして定式化する新しいパラダイムを提案する。 新たなパラダイムの下では,拡散モデルを利用して連続順序値の反復的復調を行い,ソフトセマンティックトランジションの動的学習を可能にする統合フレームワークであるDiffORを導入する。 空間的に、マルチスケールなインクリメント・アグリゲーションは、ターゲットを階層的な連続的なインクリメントに分解する。 理論的には,提案手法は表現能力と機械的解釈可能性の両方を大幅に向上させることができる。 4つの領域にわたる12のベンチマークに関する大規模な実験は、DiffORが最先端の手法よりも一貫した優位性を検証し、普遍的な順序回帰のための汎用的な解決策として強い可能性を示す新しい標準を確立した。

関連論文リスト

• PAPT++: Risk-Aware Adversarial Tuning and Generation for Single Domain Generalization [99.33114297216183]
  単一ドメインの一般化は、特定対象ドメインに一般化するラベル付きソースドメインからモデルを学習することを目的としている。 本稿では,単一ドメインの一般化のためのリスク認識型逆生成学習フレームワークPAPT++を紹介する。
  論文  参考訳（メタデータ） (2026-09-04T07:54:30Z)
• D3O: Dynamic Distribution Distillation for Ordinal Regression [9.784209833489166]
  通常の回帰は、ラベルが離散的だが本質的に順序づけられたシナリオで広く使われている。 D3Oは動的分散蒸留フレームワークで,静的な監視をオーディナルラベル分布のトレーニング駆動的進化に置き換える。
  論文  参考訳（メタデータ） (2026-07-26T09:58:04Z)
• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• HoloRec: Holistic Encoding and Interleaved Reasoning for Generative Recommendation [57.802158017741824]
  HoloRecは、表現、推論、生成を統一する内因性連鎖レコメンデーションメカニズムである。 複数のパブリックレコメンデーションデータセットの実験は、HoloRecがベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-06-13T14:52:03Z)
• N-GRPO: Embedding-Level Neighbor Mixing for Enhanced Policy Optimization [55.14402862283128]
  我々は,グループ相対政策最適化フレームワークに統合された新しい探索戦略であるN-GRPOを紹介する。 トークンレベルのサンプリングやネイティブな埋め込みレベルのノイズに頼るのではなく、Semantic Neighbor Mixingを活用する。 N-GRPOは、数学推論ベンチマークの強いベースラインよりも一貫した改善を達成し、また分布外タスクの堅牢な一般化能力を示す。
  論文  参考訳（メタデータ） (2026-06-09T12:21:27Z)
• From Mean-Field Limits to Semiclassical Concentration: Global Convergence of the Canonical Evolutionary Strategy [0.602842844173992]
  我々は、シュルディンガー型複製子-ミュータ方程式の半古典的極限により、進化アルゴリズムのグローバル収束を分析する。 離散的な個人ベースの力学から決定論的平均場限界までの厳密な階層を提供する。 グローバル・ミニマライザが初期サポート外に存在する場合、早期に分散崩壊する傾向にあるコンセンサス駆動の手法とは異なり、CESのレプリカータ・ミューテータのダイナミクスは固有の質量輸送を促進する。
  論文  参考訳（メタデータ） (2026-05-19T08:25:21Z)
• Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
  粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。 i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。 本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
  論文  参考訳（メタデータ） (2026-05-12T08:20:23Z)
• Anomaly-Preference Image Generation [41.96735569500412]
  本稿では,Anomaly Preference Optimizationを導入する。Anomaly Preference Optimizationは,Anomaly Generationを優先学習問題として再構成する新しいパラダイムである。 我々は,本手法が既存のベースラインを著しく上回り,現実主義と多様性の両面で最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-05-04T10:37:09Z)
• Early Decisions Matter: Proximity Bias and Initial Trajectory Shaping in Non-Autoregressive Diffusion Language Models [54.16797570104461]
  拡散ベースの言語モデル (dLLMs) は自己回帰型言語モデルに代わる有望な代替品として登場した。 時間軸に沿った推論ダイナミクスを系統的に解析し, dLLMの非自己回帰復号化について検討した。
  論文  参考訳（メタデータ） (2026-04-12T10:26:41Z)
• PRISM: Purified Representation and Integrated Semantic Modeling for Generative Sequential Recommendation [28.629759086187352]
  本稿では,PRISMとPureified RepresentationとIntegrated Semantic Modelingを組み合わせた新しい生成レコメンデーションフレームワークを提案する。 PRISMは4つの実世界のデータセットで、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-23T08:50:16Z)
• Beyond Token-level Supervision: Unlocking the Potential of Decoding-based Regression via Reinforcement Learning [39.920697401868885]
  強化学習(Reinforcement Learning, RL)による復号化の可能性を解き放つことを提案する。 生成過程をマルコフ決定プロセスとして定式化し、シーケンスレベルの報酬を利用してグローバルな数値コヒーレンスを強制する。 さらに,RLはサンプリング効率と予測精度を大幅に向上させ,デコードに基づく回帰を汎用数値予測の堅牢かつ正確なパラダイムとして確立することを明らかにした。
  論文  参考訳（メタデータ） (2025-12-06T18:57:38Z)
• Global Variational Inference Enhanced Robust Domain Adaptation [7.414646586981638]
  本稿では,構造を意識したクロスドメインアライメントを実現するために,変分推論による連続的,クラス条件のグローバルな事前学習フレームワークを提案する。 GVI-DAは、潜在特徴再構成によるドメインギャップを最小化し、ランダムサンプリングによるグローバルコードブック学習を用いて後部崩壊を緩和する。 低信頼の擬似ラベルを捨て、信頼性の高いターゲットドメインサンプルを生成することにより、ロバスト性をさらに向上する。
  論文  参考訳（メタデータ） (2025-07-04T04:43:23Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

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。