論文の概要: Sensor-Conditioned Representation Learning via Scene-Relevant Observation Quotients
- arxiv url: http://arxiv.org/abs/2606.16210v1
- Date: Mon, 15 Jun 2026 04:37:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.083946
- Title: Sensor-Conditioned Representation Learning via Scene-Relevant Observation Quotients
- Title（参考訳）: シーン関連観測手法によるセンサ・コンディション・表現学習
- Authors: Yan Jiao, Pin-Han Ho, Limei Peng,
- Abstract要約: 本稿では,センサ条件による表現の正しさを,センサ対応シーンの区別を保存するものとして定式化する。
我々は, 疑似識別, 偽マージ, 潜時順序整合の診断を行うシーンニューサンス因子化フレームワーク, OQ-TSAE を開発した。
- 参考スコア（独自算出の注目度）: 5.902716976877241
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learned representations in intelligent sensing systems are often evaluated by reconstruction fidelity or downstream prediction accuracy, but these criteria do not specify which latent distinctions are justified by the sensing process. In sensor-conditioned environments, nuisance factors can change measurements without changing the scene, while distinct scenes may be indistinguishable under limited sensing capability. This paper formulates sensor-conditioned representation correctness as preserving sensing-supported scene distinctions while suppressing nuisance-induced and sensor-unsupported variation. We introduce the scene-relevant observation quotient, a representation target induced by sensing-supported distinguishability after nuisance canonicalization, and develop Observation-Quotient Tucker-Structured Autoencoding (OQ-TSAE), a scene-nuisance factorized framework with diagnostics for false distinction, false merge, nuisance sensitivity, and latent ordering consistency. Experiments on a controlled benchmark show that quotient-consistent supervision improves representation-correctness diagnostics over reconstruction-oriented, metric-learning, and contrastive-learning baselines. Sensitivity, perturbation, and ablation studies show the importance of quotient-aligned supervision, reliable quotient relations, and quotient geometry. Complementary real-radar experiments show that a reconstruction-only OQ-TSAE variant retains competitive downstream utility, robustness under observation degradation, and low seed-to-seed variability. These results suggest that sensor-conditioned representations should be evaluated not only by predictive utility, but also by whether their latent geometry preserves sensing-justified scene distinctions.
- Abstract（参考訳）: 知的センシングシステムにおける学習された表現は、しばしば再構成忠実度または下流予測精度によって評価されるが、これらの基準は、どの潜在的区別が検知プロセスによって正当化されるかを規定しない。
センサコンディショニング環境では、ニュアンス要因はシーンを変更することなく測定を変更できるが、異なるシーンは限られた感知能力で区別できない。
本稿では,センサ条件による表現の正しさを,ニュアンスやセンサ非サポートの変動を抑えつつ,センサ対応シーンの区別を保存するものとして定式化する。
我々は,ニュアンス正準化後の認識支援による表現対象であるシーン関連観測量について紹介し,ニュアンス正準化後のシーン関連観測量,偽マージ,ニュアンス感度,潜時順序整合性の診断を行うシーン関連因子化フレームワークであるオブザーバ-クオリティ・タッカー・構造化自動符号化(OQ-TSAE)を開発した。
制御されたベンチマーク実験により、商一貫性の監督は、再構成指向、メトリックラーニング、コントラッシブラーニングベースラインよりも表現精度の診断を改善することが示された。
感度、摂動、アブレーションの研究は、商に整合した監督、信頼できる商関係、商幾何学の重要性を示している。
相補的な実レーダ実験により、再構成のみのOQ-TSAE変種は、競争力のある下流の実用性、観測劣化時の堅牢性、種子種間変動の低さを維持できることが示された。
これらの結果は, センサ条件付き表現は, 予測実用性だけでなく, その潜在幾何学が感性に適応したシーンの区別を保っているかどうかによって評価されるべきであることを示している。
関連論文リスト
- Evaluating the Representation Space of Diffusion Models via Self-Supervised Principles [35.85907484884706]
拡散モデルの表現と生成能力を評価するためのフレームワークを提案する。
拡散モデルの識別的および生成的挙動を解析する。
この結果から,自己監督的視点から拡散モデルを監視することが可能であることが示唆された。
論文 参考訳（メタデータ） (2026-06-08T16:44:18Z) - The Loss Is Not Enough: Sampling Conditions and Inductive Bias in Contrastive Representation Learning [2.575874871258672]
多様性条件を定式化する測度理論の枠組みを開発する。
標準のフルサポートvon Mises-Fisher設定が多様性条件の満足度を示すことを示す。
本研究は, 比較表現学習において, サンプリング機構と帰納バイアスがどのように相互作用するかを明らかにするものである。
論文 参考訳（メタデータ） (2026-06-02T23:08:30Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。
属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。
PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
論文 参考訳（メタデータ） (2026-05-05T02:31:18Z) - Self-Aware Object Detection via Degradation Manifolds [3.8265249634979734]
安全クリティカルな設定では、入力が検出器の名目上の操作状態内にあるかどうかを判断することなく予測を行うことはできない。
劣化多様体に基づく自己認識フレームワークを提案する。
本手法は,コントラスト学習により訓練された軽量な埋め込みヘッドを用いて,標準的な検出バックボーンを増強する。
論文 参考訳（メタデータ） (2026-02-20T17:58:46Z) - Understanding Sensor Vulnerabilities in Industrial XR Tracking [0.0]
拡張現実感(XR)システムは、連続した6自由度ポーズトラッキングに視覚慣性オドメトリー(VIO)に依存している。
本稿では, 劣化検知下でのVIO挙動の制御実験について述べる。
論文 参考訳（メタデータ） (2026-02-16T02:42:15Z) - Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。
自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。
構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
論文 参考訳（メタデータ） (2025-11-10T15:48:50Z) - TransFIRA: Transfer Learning for Face Image Recognizability Assessment [73.61309363885552]
TransFIRAは軽量でアノテーションのないフレームワークで、埋め込みスペースで直接認識できる。
顔以外の新しい拡張には、エンコーダで座屈した説明可能性があり、これは、劣化と被写体固有の要因が認識可能性にどのように影響するかを示す。
実験では、顔に対する最先端の結果、身体認識に対する強い堅牢性、およびデータセット間のシフトの下で確認された。
論文 参考訳（メタデータ） (2025-10-07T18:16:21Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z) - Textural-Structural Joint Learning for No-Reference Super-Resolution
Image Quality Assessment [59.91741119995321]
我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。
画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。
実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
論文 参考訳（メタデータ） (2022-05-27T09:20:06Z)
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。