論文の概要: Beyond Raw Signals: Undecoded Generative Latents as Privileged Synthetic Data

• arxiv url: http://arxiv.org/abs/2606.08336v1
• Date: Sat, 06 Jun 2026 21:02:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.047093
• Title: Beyond Raw Signals: Undecoded Generative Latents as Privileged Synthetic Data
• Title（参考訳）: 生信号を超える: 原始的な合成データとしての非復号型生成遅延
• Authors: Cristian Sbrolli, Nicolas Michel, Matteo Matteucci, Toshihiko Yamasaki,
• Abstract要約: マルチモーダル統合は、コンピュータビジョンモデルを大幅に改善し、それらをデプロイすると、違法な推論コストが発生し、完全にペア化されたデータセットが不足する。 最近の手法では、生成AIによるモダリティの欠如によって、このデータボトルネックに対処しているが、深刻な非効率性(Decode-Encode Loop)が導入されている。 本稿では,非復号型生成潜伏者を直接特権情報として活用するDLA(Direct Latent Augmentation)を提案する。 この知識を純粋に視覚的な学生に伝達するために,MESSy(Multilayer Explicit Simulated Synesthesia)を紹介する。
• 参考スコア（独自算出の注目度）: 36.037178298353844
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While multimodal integration significantly improves computer vision models, deploying them incurs prohibitive inference costs and requires scarce, perfectly paired datasets. Recent methods address this data bottleneck by synthesizing missing modalities via generative AI, yet they introduce a severe inefficiency: the Decode-Encode Loop. Specifically, information-rich generative latents are decoded into noisy raw signals, forcing the downstream classifier to waste capacity re-encoding them. To bypass this bottleneck, we propose Direct Latent Augmentation (DLA), utilizing undecoded generative latents directly as privileged information. Furthermore, to transfer this dense knowledge to a purely visual student, we introduce Multilayer Explicit Simulated Synesthesia (MESSy). Instead of enforcing rigid representation matching, which forces the student to distort its native visual features to accommodate complex multimodal topologies, MESSy uses a predictive objective to safely internalize these physical priors. Empirical results demonstrate that our framework significantly outperforms raw data augmentation and traditional distillation. Ultimately, our approach yields highly accurate unimodal students with ``synesthetic'' latent structures that are inherently aligned with physical properties they have never directly observed.
• Abstract（参考訳）: マルチモーダル統合はコンピュータビジョンモデルを大幅に改善するが、それらをデプロイすることで推論コストが禁じられ、完全にペア化されたデータセットが不足する。 最近の手法では、生成AIを介して欠落したモダリティを合成することで、このデータボトルネックに対処しているが、デコード・エンコード・ループ(Decode-Encode Loop)という深刻な非効率性が導入されている。 具体的には、情報豊富な生成潜伏剤をノイズの多い生信号に復号し、下流分類器に再符号化能力の無駄を強いる。 このボトルネックを回避するために、特権情報として非復号化生成潜時を直接利用したDLA(Direct Latent Augmentation)を提案する。 さらに、この知識を純粋に視覚的な学生に伝達するために、MESSy(Multilayer Explicit Simulated Synesthesia)を紹介する。 厳密な表現マッチングを強制するのではなく、学生は複雑なマルチモーダルトポロジに対応するために、その視覚的特徴を歪ませなければならない。 実験結果から,本フレームワークは生データ増量や伝統的な蒸留よりも著しく優れていることが示された。 究極的には、我々のアプローチは、直接観察されていない物理的特性と本質的に一致した'synesthetic'の潜伏構造を持つ非常に正確な一助の学生を生み出します。

関連論文リスト

• Cross-Domain Adversarial Augmentation: Stabilizing GANs for Medical and Handwriting Data Scarcity [0.0]
  Generative Adversarial Networks (GAN)は、視覚タスクにおけるデータの不足を軽減するための実用的なルートを提供する。 64x64解像度のDCGANモデルを用いて,Bangla手書き文字と胸部X線画像の2つの低リソース領域における生成増強について検討した。
  論文  参考訳（メタデータ） (2026-05-03T10:48:26Z)
• GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression [50.76941829813458]
  現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。 本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T16:33:15Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Shifting AI Efficiency From Model-Centric to Data-Centric Compression [67.45087283924732]
  AI研究の焦点は、モデル中心の圧縮からデータ中心の圧縮へとシフトしている、と私たちは主張する。 データ中心圧縮は、モデルトレーニングや推論中に処理されたデータのボリュームを直接圧縮することで、AI効率を向上させる。 我々の研究は、AIの効率性に関する新たな視点を提供し、既存の取り組みを合成し、コンテキスト長の増大によって引き起こされる課題に対処するためにイノベーションを触媒することを目的としています。
  論文  参考訳（メタデータ） (2025-05-25T13:51:17Z)
• Synthetic Data is an Elegant GIFT for Continual Vision-Language Models [52.343627275005026]
  GIFTはVision-Language Modelsにおける破滅的な忘れを克服するための、新しい連続的な微調整手法である。 我々は、事前学習と下流タスクデータの両方を再現するために、事前学習した拡散モデルを用いる。 提案手法は,様々な設定において従来手法よりも常に優れていた。
  論文  参考訳（メタデータ） (2025-03-06T09:09:18Z)
• Exploring Representation-Aligned Latent Space for Better Generation [86.45670422239317]
  生成性能を改善するために,セマンティックな事前情報を統合するReaLSを導入する。 本研究では、ReaLSでトレーニングされたDETとSiTが、FID測定値の15%改善を実現することを示す。 拡張されたセマンティック潜在空間は、セグメンテーションや深さ推定のようなより知覚的な下流タスクを可能にする。
  論文  参考訳（メタデータ） (2025-02-01T07:42:12Z)
• Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
  本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。 このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。 その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
  論文  参考訳（メタデータ） (2024-07-22T10:31:07Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)

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。