論文の概要: Sparsity-Inducing Divergence Losses for Biometric Verification
- arxiv url: http://arxiv.org/abs/2606.31664v1
- Date: Tue, 30 Jun 2026 13:42:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.238646
- Title: Sparsity-Inducing Divergence Losses for Biometric Verification
- Title（参考訳）: 生体認証のためのスペーサ性誘導型ダイバージェンス損失
- Abstract要約: 本稿では,Q-Marginを提案する。
Q-Marginは、マージンのマージンを基準基準(事前確率)に直接エンコードする
我々は,挑戦的なIJB-BとIJB-Cの顔検証ベンチマークにおいて,Q-Marginが競争力や優れた性能を達成できることを実証した。
- 参考スコア（独自算出の注目度）: 15.64389037529846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Performance in face and speaker verification is largely driven by margin-penalty softmax losses such as CosFace and ArcFace. Recently introduced $α$-divergence loss functions offer a compelling alternative, particularly due to their ability to induce sparse solutions (when $α>1$). However, standard geometric margins are designed for the softmax function and do not naturally extend to this generalized probabilistic framework. In this paper we propose Q-Margin, a novel $α$-divergence loss that introduces a principled probabilistic margin. Unlike conventional methods that apply geometric penalties to the logits (unnormalized log-likelihoods), Q-Margin encodes the margin penalty directly into the reference measure (prior probabilities). This formulation naturally encourages discriminative embeddings while preserving the beneficial sparsity properties of the $α$-divergence. We demonstrate that Q-Margin achieves competitive or superior performance on the challenging IJB-B and IJB-C face verification benchmarks and similarly strong results in speaker verification on VoxCeleb. Crucially, against ArcFace and CosFace baselines trained under an identical recipe, Q-Margin consistently improves at low False Acceptance Rates (FARs), a capability critical for practical high-security applications. Finally, the extreme sparsity of the Q-Margin posteriors enables exact and memory-efficient training, offering a scalable solution for datasets with millions of identities.
- Abstract（参考訳）: 顔と話者の検証のパフォーマンスは、CosFaceやArcFaceのようなマージンペナルティのソフトマックスの損失に大きく左右される。
最近導入された$α$分割損失関数は、特にスパース解を誘導する能力($α>1$)により、魅力的な代替となる。
しかし、標準的な幾何学的マージンはソフトマックス関数のために設計されており、この一般化された確率的枠組みに自然に拡張されない。
本稿では,Q-Marginを提案する。Q-Marginは,基本確率差を導入した新しい$α$-divergence損失である。
対数(正規化されていない対数様式)に幾何学的罰則を適用する従来の方法とは異なり、Q-Margin はマージンのマージンを基準測度(事前確率)に直接エンコードする。
この定式化は自然に、$α$分割の有益な空間特性を保ちながら、識別的埋め込みを促進する。
我々は,Q-Marginが,挑戦的なIJB-BとIJB-Cの顔検証ベンチマークにおいて,競合的あるいは優れた性能を達成し,同様にVoxCeleb上での話者検証の結果も強力であることを示した。
重要なことに、同じレシピでトレーニングされたArcFaceとCosFaceのベースラインに対して、Q-Marginは、実用的な高セキュリティアプリケーションにとって重要な機能である低いFalse Acceptance Rates (FAR)において、一貫して改善されている。
最後に、Q-Margin後方の極端な間隔は、正確かつメモリ効率のトレーニングを可能にし、数百万のIDを持つデータセットに対するスケーラブルなソリューションを提供する。
関連論文リスト
- High-Probability Convergence in Decentralized Stochastic Optimization with Gradient Tracking [69.90407799170687]
分散最適化における高確率収束保証について検討する。
その結果, 地平線上の条件は, 比較時間と同一であることがわかった。
論文 参考訳（メタデータ） (2026-04-30T22:45:21Z) - ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。
ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
論文 参考訳（メタデータ） (2025-12-01T09:44:31Z) - Alpha Divergence Losses for Biometric Verification [19.758259380263528]
差分損失関数($-divergence loss function)は、マージンベースのソフトマックス損失に対して魅力的な代替手段であることを示す。
Q-MarginとA3Mの2つの新しいマージンベースの$-divergence損失を導出する。
我々のモデルは、低い偽受け入れ率で強いベースラインを著しく上回ります。
論文 参考訳（メタデータ） (2025-11-17T17:27:28Z) - Improved High-probability Convergence Guarantees of Decentralized SGD [74.39742894097348]
平均二乗誤差(MSE)と同じ条件下で,$mathttDSGD$がHPに収束することを示す。
改良された分析によりユーザ数が線形アップし,$mathttDSGD$がHPの意味で性能を維持していることを示す。
論文 参考訳（メタデータ） (2025-10-07T17:15:08Z) - $ε$-Softmax: Approximating One-Hot Vectors for Mitigating Label Noise [99.91399796174602]
ノイズラベルは、正確なディープニューラルネットワークをトレーニングする上で共通の課題となる。
我々は,ソフトマックス層の出力を制御可能な誤差で1ホットベクトルに近似させる,$epsilon$-softmaxを提案する。
理論的には、$epsilon$-softmaxは、ほぼ任意の損失関数に対して制御可能な過剰リスクを持つ耐雑音学習を実現することができる。
論文 参考訳（メタデータ） (2025-08-04T13:10:48Z) - LH2Face: Loss function for Hard High-quality Face [2.9307424859610447]
ほとんどの顔認識アルゴリズムは、ソフトマックス分類とコサイン類似性に基づいている。
ハードハイクオリティフェイス(LH2Face)のためのロス関数という新しいロス関数の提案
我々のLH2Faceは、ハードな高品質の顔データセットのスキームよりも優れており、IJB-Bデータセットの49.39%の精度を実現している。
論文 参考訳（メタデータ） (2025-06-30T06:59:02Z) - Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。
表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
論文 参考訳（メタデータ） (2023-05-23T12:20:29Z) - Learning Towards the Largest Margins [83.7763875464011]
損失関数は、クラスとサンプルの両方の最大のマージンを促進するべきである。
この原則化されたフレームワークは、既存のマージンベースの損失を理解し、解釈するための新しい視点を提供するだけでなく、新しいツールの設計を導くことができます。
論文 参考訳（メタデータ） (2022-06-23T10:03:03Z) - ElasticFace: Elastic Margin Loss for Deep Face Recognition [6.865656740940772]
差別的な顔の特徴を学習することは、高いパフォーマンスの顔認識モデルを構築する上で大きな役割を果たす。
分類損失関数,ソフトマックス損失に対する一定のペナルティマージンを組み込むための最近の最先端の顔認識ソリューションを提案する。
本稿では,クラス分離性向上のための弾力的マージン損失( Elastic margin loss, ElasticFace)を提案する。
論文 参考訳（メタデータ） (2021-09-20T10:31:50Z) - Max-Margin is Dead, Long Live Max-Margin! [87.90853526750716]
最大マージン損失は、距離間の誤差を計測する離散損失について、非常に限定的な仮定の下では、分類タスクと整合性しか持たないことが示される。
Restricted-Max-Marginでは、損失増大スコアが維持されるが、元のドメインのサブセット上で実行される。
論文 参考訳（メタデータ） (2021-05-31T15:55:52Z) - Reliable Probabilistic Face Embeddings in the Wild [5.094757968178221]
PFE(probabilistic Face Embeddings)は、制約のないシナリオにおける顔認識性能を改善する。
PFE法は不確実性を推定するのに過信であり、大規模な顔マッチングに適用するには遅すぎる。
本稿では,PFEのロバスト性および速度を改善するために,正規化確率的顔埋め込み法を提案する。
論文 参考訳（メタデータ） (2021-02-08T09:27:57Z) - Being Bayesian about Categorical Probability [6.875312133832079]
クラスラベルに対する分類的確率の確率変数を考える。
この枠組みでは、先行分布は観測されたラベルに固有の推定ノイズを明示的にモデル化する。
本手法は,計算オーバーヘッドが無視できるプラグアンドプレイ損失関数として実装することができる。
論文 参考訳（メタデータ） (2020-02-19T02:35:32Z)
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。