論文の概要: Transition Information Density: Morphological Trajectories, Synesthetic Perception, and Structured Interpolation in Neural Training (or: The Synesthetic AI)
- arxiv url: http://arxiv.org/abs/2607.03210v1
- Date: Fri, 03 Jul 2026 11:25:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.558244
- Title: Transition Information Density: Morphological Trajectories, Synesthetic Perception, and Structured Interpolation in Neural Training (or: The Synesthetic AI)
- Title（参考訳）: 遷移情報密度:神経トレーニングにおける形態的軌道、審美的知覚、構造的補間
- Abstract要約: 本稿では、A-to-B連続体上の中間状態の定義位置である遷移情報密度(TID)と位置同定について述べる。
本論文は,TIDと位置同定の形式的定義,9次元形状特徴付けフレームワーク,および軌道構造,データ体積,位置同定を異なる要因として分離した4条件実験的設計を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Standard machine learning training presents data as discrete endpoint pairs, omitting the structure of the space between them. This paper introduces Transition Information Density (TID) -- the information content recoverable from structured intermediate states between categorically distinct training endpoints -- and Positional Identity, the defined location of an intermediate state on the A-to-B continuum. Both constructs are grounded in three empirical contexts: grapheme-color synesthesia, the Synesthesia Grid (a boundary-contour morphing algorithm instantiating TID in visual morphological space), and a four-condition training experiment across four representational mediums. Probes trained on structured interpolation at defined Positional Identities (C3) exhibit substantially lower intrinsic dimensionality than volume-matched controls (C2) in Phonetic/Linguistic (C3: 3.33 vs. C2: 10.81) and Semantic Description (C3: 4.59 vs. C2: 8.67) mediums. Visual and cross-modal mediums do not show this effect, establishing a modality boundary condition. A fixed-N=50 comparison confirms that Positional Identity structure, not sample count, drives the effect. Resolution N scales monotonically with representational richness. Pooled TwoNN analysis reveals globally collapsed representations in visual space (0.075) and globally consistent representations in phonetic space (0.977). The paper contributes a formal definition of TID and Positional Identity, a nine-metric shape characterization framework, and a four-condition experimental design isolating trajectory structure, data volume, and Positional Identity as distinct factors.
- Abstract（参考訳）: 標準的な機械学習トレーニングは、データを独立したエンドポイントペアとして提示し、それらの間の空間の構造を省略する。
本稿では,A-to-B連続体上での中間状態の定義位置である位置同定と,分類的に異なるトレーニングエンドポイント間の中間状態から復元可能な情報コンテンツである遷移情報密度(TID)を紹介する。
両方の構成体は、グラファイムカラー合成(Grapheme-color Synesthesia)、シンセシスグリッド(Synesthesia Grid)、および4つの表現媒体にわたる4条件のトレーニング実験(Synesthesia Grid)の3つの経験的文脈に基礎を置いている。
音韻・言語学(C3: 3.33 vs. C2: 10.81)やセマンティック記述(C3: 4.59 vs. C2: 8.67)では,定位等位(C3)における構造的補間を訓練したプローブは,体積整合制御(C2)よりも本質的次元が著しく低い。
ビジュアルおよびクロスモーダル媒体は、この効果を示さず、モダリティ境界条件を確立する。
固定N=50の比較では、サンプル数ではなく位置アイデンティティ構造が効果を駆動していることが確認されている。
分解能Nは表現豊かさで単調にスケールする。
Pooled TwoNN 解析により、視覚空間 (0.075) における世界的崩壊表現と、音声空間 (0.977) における世界的一貫表現が明らかになった。
本論文は,TIDと位置同定の形式的定義,9次元形状特徴付けフレームワーク,および軌道構造,データ体積,位置同定を異なる要因として分離した4条件実験的設計を提案する。
関連論文リスト
- MS-COOT: Comparing Morse-Smale Complexes with Co-Optimal Transport [3.3302708194973714]
我々は、臨界点と領域間の対応を共同で計算する共最適輸送距離であるMS-COOTを紹介する。
2次元シミュレーション,3次元表面メッシュ,データにまたがる5つのデータセット上でMS-COOTを評価する。
論文 参考訳（メタデータ） (2026-06-06T17:07:13Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - Phase Transitions in Driven Informational Systems: A Two-Field Perspective on Learning Theory and Non-Equilibrium Chemistry [0.0]
非平衡統計物理学は、前生物選択に基づく誘導化学反応ネットワークにおける相転移を同定した。
本稿では,両現象のクラスが駆動情報システムとして共通記述を許容する視点を提案する。
本枠組みの幾何学的構造を概説し, 単体代替品と区別できる有理予測を同定し, 最近の経験的知見と整合性を示す。
論文 参考訳（メタデータ） (2026-05-05T05:33:57Z) - A Persistent Homology Design Space for 3D Point Cloud Deep Learning [5.810033007426438]
Persistent Homology (PH)は、本質的な形状の安定なマルチスケール記述子を提供する。
強力な理論的保証と経験的採用の増大にもかかわらず、ポイントクラウドのためのディープラーニングへの統合は、概してアドホックであり、アーキテクチャ的にも周辺的である。
本研究では,3次元点群における永続-ホモロジー駆動学習のための統一設計空間を提案する。
論文 参考訳（メタデータ） (2026-04-05T22:38:37Z) - 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) - How high is `high'? Rethinking the roles of dimensionality in topological data analysis and manifold learning [8.397730500554047]
我々は、一般化されたハンソン・ライトの不等式を示し、それをデータポイントクラウドの幾何学に関する新しい統計的知見を確立するために利用する。
ガードナーらによる格子細胞活動における等尺トロイダル構造の画期的な神経科学的な発見を再考する。
我々の発見は、この構造が実際に物理空間にあるという証拠を初めて明らかにし、格子状細胞活動が現実世界の幾何学的に忠実な表現を伝達していることを意味する。
論文 参考訳（メタデータ） (2025-05-22T16:34:15Z) - Hierarchical Context Alignment with Disentangled Geometric and Temporal Modeling for Semantic Occupancy Prediction [61.484280369655536]
カメラを用いた3Dセマンティック占領予測(SOP)は、限られた2次元画像観察から複雑な3Dシーンを理解するのに不可欠である。
既存のSOPメソッドは通常、占有表現学習を支援するためにコンテキストの特徴を集約する。
より正確なSOP(Hi-SOP)のための新しい階層型コンテキストアライメントパラダイムを導入する。
論文 参考訳（メタデータ） (2024-12-11T09:53:10Z) - N2F2: Hierarchical Scene Understanding with Nested Neural Feature Fields [112.02885337510716]
Nested Neural Feature Fields (N2F2)は、階層的な監視を用いて単一機能フィールドを学習する新しいアプローチである。
画像空間の任意のスケールで意味的に意味のある画素群を提供するために、2次元クラス非依存セグメンテーションモデルを利用する。
オープンな3次元セグメンテーションやローカライゼーションといったタスクにおいて,最先端のフィールド蒸留法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2024-03-16T18:50:44Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳（メタデータ） (2023-06-09T15:38:25Z) - Spatio-Temporal Representation Factorization for Video-based Person
Re-Identification [55.01276167336187]
本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。
STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。
実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
論文 参考訳（メタデータ） (2021-07-25T19:29:37Z) - Person-in-Context Synthesiswith Compositional Structural Space [59.129960774988284]
本研究では,コンテキスト合成におけるtextbfPersons という新たな問題を提案する。
コンテキストは、形状情報を欠いたバウンディングボックスオブジェクトレイアウトで指定され、キーポイントによる人物のポーズは、わずかに注釈付けされている。
入力構造におけるスターク差に対処するため、各(コンテキスト/人物)入力を「共有構成構造空間」に意図的に合成する2つの別個の神経枝を提案した。
この構造空間は多レベル特徴変調戦略を用いて画像空間にデコードされ、自己学習される
論文 参考訳（メタデータ） (2020-08-28T14:33:28Z)
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。