論文の概要: Space Is Intelligence: Neural Semigroup Superposition for Riemannian Metric Generation

• arxiv url: http://arxiv.org/abs/2606.18828v1
• Date: Wed, 17 Jun 2026 09:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.074957
• Title: Space Is Intelligence: Neural Semigroup Superposition for Riemannian Metric Generation
• Title（参考訳）: 宇宙は知性である: リーマン計量生成のためのニューラル半群重ね合わせ
• Authors: Chenghao Xu,
• Abstract要約: 単一マグニチュードネットワークは、3つの相補的パラメータ群を通してこのアイデアを実現する。 1つの2つの障害物シーンで訓練されたこのモデルは、目に見えない障害物構成にまたがる堅牢なゼロショットの一般化を実証する。
• 参考スコア（独自算出の注目度）: 10.790210744021069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional approaches place intelligence in the agent, whether as a learned policy or a search procedure. We instead place intelligence in the space itself: a scene induces a Riemannian metric on the configuration manifold, and action reduces to following the geodesics of that metric rather than invoking a separate planner or collision checker. A single Encoder-Router network realizes this idea through three complementary parameter groups -- frame parameters that orient the generators, modulation parameters that govern their spatial propagation, and basic coefficients that determine their strength. These groups combine through a shared semigroup-superposition mechanism to produce a single Riemannian metric field, yielding a compact architecture whose geometry scales naturally with scene complexity. Trained on a single two-obstacle scene, the model demonstrates robust zero-shot generalization across unseen obstacle configurations, with orders-of-magnitude separation between collision-free and obstacle-penetrating path costs.
• Abstract（参考訳）: 伝統的なアプローチは、学習方針や探索手順として、エージェントにインテリジェンスを配置する。 シーンは構成多様体上のリーマン計量を誘導し、アクションは別のプランナーや衝突チェッカーを呼び出すのではなく、その計量の測地線に従うように還元する。 1つのエンコーダ・ルータネットワークは、3つの相補的なパラメータ群 – ジェネレータを指向するフレームパラメータ、空間伝播を管理する変調パラメータ、その強度を決定する基本係数 – を通じてこのアイデアを実現する。 これらの群は共有半群重畳機構を通じて単一のリーマン計量場を生成し、幾何学が自然にシーンの複雑さとともにスケールするコンパクトなアーキテクチャを生み出す。 1つの2つの障害物シーンで訓練されたこのモデルは、衝突のない経路と障害物を貫通する経路のコストのオーダー・オブ・マグニチュード分離を伴って、目に見えない障害物構成をまたいだ堅牢なゼロショットの一般化を実証する。

関連論文リスト

• SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation [54.98864436812187]
  本稿では,1つのRGB-D観測から標準幾何,剛部分セグメンテーション,関節ピボット,軸,調音状態を推定する自己教師型フレームワークを提案する。 合成および実調音オブジェクトデータセットの実験により、SCAPOは、一貫した部分構造と正確な調音パラメータを復元し、全ての自監督ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T09:04:49Z)
• Riemannian-Manifold Steering: Geometry-Aware Generative Autoencoders for Label-Free Steering [3.854000879223449]
  我々は、活性化空間上のtextbfRiemann 測地線計算として多様体のステアリングをリキャストする。 我々はこれを、小さな概念整合スキーマ上で出力距離を訓練した学習エンコーダと近似する。
  論文  参考訳（メタデータ） (2026-05-24T08:41:56Z)
• SPACE: Unifying Symmetric and Asymmetric Routing Problems for Generalist Neural Solver [14.268979449819057]
  一般のニューラルルーティング解法は、多様な車両ルーティング問題を解く大きな可能性を示している。 既存のソルバは通常、非対称的な設定に切り替える際に、対称的な設定に制限されるか、性能が低下する。 対称および非対称VRP間のノード表現と解生成を統一する空間Pivot-Aligned Coordinate-free Embedding (SPACE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-23T09:12:42Z)
• Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images [81.94999489820974]
  UniSplat (UniSplat) は、未提示のマルチビュー画像から3D表現を学習するためのフィードフォワードフレームワークである。 エンコーダにおける幾何誘導を強化するデュアルマスキング戦略を導入する。 第2に,外見のセマンティックな矛盾を解消する粗大なガウス的スプレイティング戦略を開発する。 第3に、予測された3次元点と意味マップを画像平面に相互に関連付ける、ポーズ条件の補正機構を導入する。
  論文  参考訳（メタデータ） (2026-04-12T10:36:18Z)
• Riemannian and Symplectic Geometry for Hierarchical Text-Driven Place Recognition [6.392844932864485]
  SympLocは、粗い段階における多レベルアライメントを備えた、新しい粗大な局所化フレームワークである。 既存の最先端のアプローチと比較して、Top-1リコール@10mでは19%改善されている。
  論文  参考訳（メタデータ） (2026-04-02T04:13:42Z)
• Low-Dimensional Execution Manifolds in Transformer Learning Dynamics: Evidence from Modular Arithmetic Tasks [0.0]
  本稿では, 数値計算を慎重に制御し, 変圧器モデルにおける学習力学の構造について検討する。 その結果,トランスフォーマー学習を理解するための統一的な幾何学的枠組みが示唆された。
  論文  参考訳（メタデータ） (2026-02-11T03:57:46Z)
• Geometry-Aware Sampling-Based Motion Planning on Riemannian Manifolds [9.081925829245455]
  構成に依存した測定値において,長さを最小化する衝突のない運動を計画する問題に対処する。 提案手法はユークリッド型プランナーや古典的数値測地解法ベースラインよりも低コストな軌道を一貫して生成する。
  論文  参考訳（メタデータ） (2026-02-01T03:14:46Z)
• CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
  Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。 CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T09:21:38Z)
• From Coefficients to Directions: Rethinking Model Merging with Directional Alignment [66.99062575537555]
  パラメータと特徴空間の両面に一貫した方向構造を整列する,方向アライメント付きemphMerging(method)という統一幾何学的枠組みを導入する。 分析の結果、指向性アライメントは構造的コヒーレンスを改善し、ベンチマーク、モデルスケール、タスク構成にまたがる広範な実験により、我々のアプローチの有効性がさらに検証された。
  論文  参考訳（メタデータ） (2025-11-29T08:40:58Z)
• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)

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。