論文の概要: Blind Recovery of Latent Domains via Unsupervised Symmetry Discovery

• arxiv url: http://arxiv.org/abs/2606.17782v1
• Date: Tue, 16 Jun 2026 10:58:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.394909
• Title: Blind Recovery of Latent Domains via Unsupervised Symmetry Discovery
• Title（参考訳）: 非教師的対称性探索による潜在ドメインのブラインド回復
• Authors: Onur Efe, Arkadas Ozakin,
• Abstract要約: 本稿では,データ分布の対称性を発見することによって,潜在領域と信号の復元を行う,教師なしのフレームワークを提案する。 我々のフレームワークは、潜在ランダムフィールドからサンプリングされた信号の線形測定として観測をモデル化する。 実験により、この手法は非構造観測から潜伏領域と信号を復元することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Primary motivation in blind inverse problems is to recover signals of interest from corrupted observations without knowing the obfuscating mechanism. Blind deconvolution is a prominent approach when the corruption is convolutional, but it is not applicable when general linear transformations obfuscate the domain structure. In this work, we propose an unsupervised framework for recovering latent domains and signals by discovering symmetries of the data distribution. Our framework models observations as linear measurements of signals sampled from a latent random field, and optimizes a shallow group-convolutional network by imposing stationarity and locality regularization at the model output. The model learns a latent symmetry action and an appropriate filter, thereby mapping unstructured observations to a symmetry-based representation that reveals latent signals. Experiments on stochastic processes, Ising models, shuffled and bit-scrambled images, and neural recordings show that the method recovers latent domains and signals from unstructured observations, suggesting symmetry discovery as a new direction for unsupervised structure learning and blind inverse problems.
• Abstract（参考訳）: 盲目の逆問題における主要な動機は、難解なメカニズムを知らずに、腐敗した観測から興味の信号を回復することである。 ブラインド・デコンボリューション(Blind deconvolution)は、崩壊が畳み込みである場合の顕著なアプローチであるが、一般線型変換がドメイン構造を難解にする場合には適用できない。 本研究では,データ分布の対称性を発見することによって,潜在領域と信号の復元を行う,教師なしのフレームワークを提案する。 本フレームワークは、潜在乱数場からサンプリングされた信号の線形測定として観測をモデル化し、モデル出力における定常性および局所性正規化を付与することにより、浅いグループ畳み込みネットワークを最適化する。 モデルは潜時対称性の作用と適切なフィルタを学習し、非構造的な観測結果を潜時信号を示す対称性に基づく表現にマッピングする。 確率過程、Isingモデル、シャッフル画像、ビットスクランブル画像、ニューラル記録の実験により、この手法は非構造的観測から潜伏領域と信号を復元し、非教師なし構造学習のための新しい方向として対称性発見と視覚的逆問題を提案する。

関連論文リスト

• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
  驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。 以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。 我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。 この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
  論文  参考訳（メタデータ） (2025-06-28T01:46:36Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Shuffled Multi-Channel Sparse Signal Recovery [16.333381000882486]
  サンプルと各チャネル間の通信が途絶えた信号再構成問題として機能する。 この問題は構造化されたラベルなしセンシング問題と等価であることを示し、ユニークなリカバリのための十分な条件を確立する。 本稿では,スパース信号の回復と2チャネルの場合の線形回帰を結合した頑健な再構成手法を提案する。
  論文  参考訳（メタデータ） (2022-12-14T17:46:17Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Learning to Discover Reflection Symmetry via Polar Matching Convolution [33.77926792753373]
  我々は、極性特徴プーリング、自己相似符号化、異なる角度の軸に対するカーネル設計を活用する、極性マッチング畳み込みと呼ばれる新しい畳み込み手法を導入する。 提案した高次元カーネル畳み込みネットワークは,実世界の画像から対称性パターンを効果的に発見する。 実験により,本手法は精度とロバスト性において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-30T01:50:51Z)

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。