論文の概要: On-Manifold Variational Learning with Heat-Kernel Priors

• arxiv url: http://arxiv.org/abs/2606.18658v2
• Date: Thu, 18 Jun 2026 23:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-23 13:41:30.930051
• Title: On-Manifold Variational Learning with Heat-Kernel Priors
• Title（参考訳）: 熱カーネル前駆体を用いたオンマンフォールド変分学習
• Authors: Jiarui Xing, Tal Zeevi, Nian Wu, Jian Wang,
• Abstract要約: 医用画像コホートの 教師なし表現は 専門家のラベルなしで 臨床的に有意義なプロトタイプを 明らかにできる 本稿では,幾何認識予測最大化(EM)アルゴリズムに基づく多様体アンコレッド変分フレームワークを提案する。 心臓の傷と脳MRIのベンチマークでは, 比較した手法の中で最も高い精度が得られた。
• 参考スコア（独自算出の注目度）: 3.2671424830615767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning unsupervised representations of medical imaging cohorts can reveal clinically meaningful prototypes without expert labels, which are often noisy and fail to capture true pathological heterogeneity. However, existing deep latent-variable models estimate Gaussian mixture priors via Euclidean averaging, producing prototypes that drift off the curved data manifold and degenerate as the number of sub-populations grows. We propose a manifold-anchored variational framework built on a geometry-aware Expectation-Maximization (EM) algorithm, whose M-step selects each sub-population prototype as the graph medoid with the highest diffusion centrality on a heat-kernel-weighted latent graph, ensuring that every prototype remains on-manifold. A Dirichlet energy regularizer enforces geometric smoothness of the latent space, and a per-sub-population uncertainty score enables label-free quality assessment. The manifold-anchored EM is a general-purpose geometric tool that extends standard EM and applies readily to other latent-variable models beyond this setting. On cardiac scar and brain MRI benchmarks, our framework attains the highest accuracy among all compared methods, produces the sharpest prototypes reported to date, and remains stable at large sub-population counts where all baselines degenerate. The Code and implementation details are available at https://github.com/jr-xing/On-Manifold-Variational-Learning-with-Heat-Kernel-Priors.
• Abstract（参考訳）: 医用画像コホートの教師なし表現を学習すると、専門家のラベルなしで臨床的に有意義なプロトタイプが明らかになる。 しかし、既存の潜伏変数モデルでは、ユークリッド平均化によりガウス混合を推定し、曲線データ多様体からドリフトし、サブポピュレーションの数が増えるにつれて縮退するプロトタイプを生成する。 M-stepは、各サブポピュレーションプロトタイプを、熱カーネル重み付き潜在グラフ上で最も拡散集中度の高いグラフメドイドとして選択し、全てのプロトタイプがオンマンフォールドのままであることを保証する。 ディリクレエネルギー正規化器は潜伏空間の幾何学的滑らかさを強制し、サブポピュレーション当たりの不確かさスコアはラベルのない品質評価を可能にする。 多様体アンコールEMは、標準EMを拡張し、この設定を超える他の潜在変数モデルにも容易に適用できる汎用幾何学ツールである。 心臓の傷と脳MRIのベンチマークでは, 比較した手法の中で最も精度が高く, これまでに報告された最も鋭いプロトタイプを生産し, 全基準線が退縮する大集団で安定している。 コードと実装の詳細はhttps://github.com/jr-xing/On-Manifold-Variational-Learning-with-Heat-Kernel-Priorsで確認できる。

関連論文リスト

• Flow Matching with Optimized Subclass Priors for Medical Image Augmentation [10.504309161945065]
  本稿では,2段階の事前情報を提供するオフライン戦略を提案する。 それぞれの粗いラベルをガウス混合モデリングによりコヒーレントなサブモーメントに分割する。 サブモードごとの開始分布を再集中し、再スケールするサブクラス条件のソース分布を学習する。
  論文  参考訳（メタデータ） (2026-05-15T12:05:15Z)
• Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection [12.065053799927506]
  本稿では,一貫した異常検出を実現するための新しい階層型ガウス混合流れモデリング法を提案する。 我々のHGADは,クラス間ガウス混合モデリングとクラス内混合クラスセンター学習の2つの重要な構成要素から構成されている。 提案手法を4つの実世界のADベンチマークで評価し,従来のNFベースのAD手法を大幅に改善し,SOTA統合AD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-20T07:21:37Z)
• Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion Processes [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Bayesian tomography using polynomial chaos expansion and deep generative networks [0.0]
  可変オートエンコーダ(VAE)の優れた再構成性能とPCA-PCEサロゲートモデリングの精度を組み合わせた戦略を提案する。 MCMCプロセス内では、VOEのパラメトリゼーションが事前の探査とサンプル提案に利用される。
  論文  参考訳（メタデータ） (2023-07-09T16:44:37Z)
• Stochastic Methods in Variational Inequalities: Ergodicity, Bias and Refinements [19.524063429548278]
  Extragradient (SEG) と Gradient Descent Ascent (SGDA) は min-max 最適化と変分不等式問題に対する優越アルゴリズムである。 これらのアルゴリズムに固有の本質的な構造を定量化し定量化するための我々の取り組み。 定数のステップサイズSEG/SGDAを時間同質マルコフ連鎖として再キャストすることにより、大数の第一種法則と中心極限定理を確立する。
  論文  参考訳（メタデータ） (2023-06-28T18:50:07Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Gaussian Latent Dirichlet Allocation for Discrete Human State Discovery [1.057079240576682]
  離散状態発見問題に対する教師なし確率モデルであるGaussian Latent Dirichlet Allocation (GLDA)を提案する。 GLDAは、自然言語処理において人気のあるトピックモデルであるLatent Dirichlet Allocation (LDA)から個々の混合構造を借りている。 両データセットにおいて,GLDAを学習したクラスウェイトは,臨床評価したうつ病,不安,ストレススコアと,ベースラインのGMMよりも有意に高い相関性を示した。
  論文  参考訳（メタデータ） (2022-06-28T18:33:46Z)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
  本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。 次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
  論文  参考訳（メタデータ） (2021-05-03T16:36:27Z)

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。