論文の概要: FlatManifold: Robust Continual Learning under Severe Label Noise and Domain Shifts via Intrinsic Manifold Flattening
- arxiv url: http://arxiv.org/abs/2607.05201v1
- Date: Mon, 06 Jul 2026 15:17:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.207049
- Title: FlatManifold: Robust Continual Learning under Severe Label Noise and Domain Shifts via Intrinsic Manifold Flattening
- Title（参考訳）: フラットマニフォールド:本質的なマニフォールドフラッテニングによるラベルノイズとドメインシフトの下でのロバストな連続学習
- Abstract要約: 非定常ストリーミング環境では、連続学習による複雑で非線形なドメインシフトに同時に適応することが基本的な数学的課題である。
フラットマンフォールド(FlatManifold)は,平坦空間の本質的な数学的ロバスト性を生かした,簡潔な連続学習フレームワークである。
40%の対称ラベルノイズを含む厳しい条件下であっても,FlatManifoldは劣化の緩和に成功している。
- 参考スコア（独自算出の注目度）: 0.7734726150561086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In non-stationary streaming environments, simultaneously adapting to complex, non-linear domain shifts via continual learning while mitigating the catastrophic effects of severe, uncalibrated label noise poses a fundamental mathematical challenge. In this paper, we propose \FlatManifold{}, a novel, streamlined robust continual learning framework that utilizes a Nyström manifold flattening map based on the kernel trick and projection onto an orthogonalized Reproducing Kernel Hilbert Space (RKHS). Unlike traditional methods that rely on complex, error-prone sample-filtering pipelines, the proposed approach exploits the intrinsic mathematical robustness of the flattened space itself. By mapping feature distributions onto a fixed orthogonal target topology with a ridge regularizer, the framework naturally smoothes and counteracts the influence of extreme label noise during the optimization process. Concurrently, catastrophic forgetting is prevented via a continual topology brake term that leverages the covariance matrix of past experiences. Extensive evaluation on real-world multi-session robotics datasets demonstrates that even under severe conditions featuring 40\% symmetric label noise, \FlatManifold{} successfully mitigates gradient corruption. Under extreme cross-session domain shifts spanning various seasons and lighting conditions, the proposed framework establishes high generalization capabilities, significantly outperforming standard sequential optimization baselines and proving that structural linearization itself serves as a powerful mathematical barrier against distributed label corruption.
- Abstract（参考訳）: 非定常ストリーミング環境では、連続学習を通じて複雑で非線形なドメインシフトに同時に適応すると同時に、重度で校正されていないラベルノイズの破滅的な影響を緩和することは、基本的な数学的課題である。
本稿では,Nyström多様体平坦化マップをカーネルのトリックと直交化カーネルヒルベルト空間(RKHS)への投影に利用した,新しい連続学習フレームワークである \FlatManifold{} を提案する。
複雑でエラーを起こしやすいサンプルフィルタリングパイプラインに依存する従来の手法とは異なり、提案手法は平坦な空間自体の本質的な数学的堅牢性を利用する。
特徴分布をリッジ正規化器で固定直交ターゲットトポロジーにマッピングすることにより、最適化過程における極端ラベルノイズの影響を自然に平滑化し、反作用させる。
同時に、過去の経験の共分散行列を利用する連続的なトポロジーブレーキ項によって破滅的な忘れを防止する。
実世界のマルチセッションロボットデータセットの大規模な評価では、40 %の対称ラベルノイズを含む厳しい条件下であっても、 \FlatManifold{} は勾配劣化を緩和することに成功した。
様々な季節や照明条件にまたがる極端なクロスセッション領域シフトの下で、提案フレームワークは高一般化能力を確立し、標準的な逐次最適化ベースラインを著しく上回り、構造線形化自体が分散ラベルの破損に対する強力な数学的障壁となることを証明した。
関連論文リスト
- Unified Geometry-Guided ML-FTLE for Tracking Transient Chaos from Scalar Time Series [0.0]
本稿では,予測軌道の偏差をマクロ的な誘引形態と統合し,突発的な状態変化を追跡する幾何学誘導型機械学習フレームワークを提案する。
この方程式のないフレームワークは、複雑な非定常系の構造遷移を監視するために、高精度でノイズ耐性のある診断を提供する。
論文 参考訳（メタデータ） (2026-06-05T15:22:57Z) - 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) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - Geodesic Flow Matching for Denoising High-Dimensional Structured Representations [1.267635674675289]
連続領域に対しては、空間意味ポインタ(SSP)がこのフレームワークを拡張し、変数を連続トロイド多様体にマッピングする。
フローマッチングのような標準的なアプローチは、平坦なユークリッド幾何学を仮定するが、これは有効なSSP状態に課される幾何学的制約を考慮できない。
ユークリッド線型補間子が多様体の内部を切断し、正確な復号に必要な位相と大きさ構造を破壊する。
論文 参考訳（メタデータ） (2026-05-29T18:28:41Z) - Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。
本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-11T15:49:08Z) - Early Decisions Matter: Proximity Bias and Initial Trajectory Shaping in Non-Autoregressive Diffusion Language Models [54.16797570104461]
拡散ベースの言語モデル (dLLMs) は自己回帰型言語モデルに代わる有望な代替品として登場した。
時間軸に沿った推論ダイナミクスを系統的に解析し, dLLMの非自己回帰復号化について検討した。
論文 参考訳（メタデータ） (2026-04-12T10:26:41Z) - Beyond Attention: True Adaptive World Models via Spherical Kernel Operator [0.0]
標準的な注意を置き換えるフレームワークであるSpherical Kernelを紹介します。
SKOは、エージェントの偏りのある観察周波数から真の環境遷移のダイナミクスを数学的に分離する。
経験的評価により、SKOは自己回帰言語モデリングにおいて、収束を著しく加速し、標準の注意ベースラインを上回ることが確認される。
論文 参考訳（メタデータ） (2026-02-25T21:51:34Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。
DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
論文 参考訳（メタデータ） (2026-01-31T11:05:35Z) - SPARK: Stochastic Propagation via Affinity-guided Random walK for training-free unsupervised segmentation [18.627047608492795]
訓練のないセグメンテーション法は、セグメンテーションが拡散に由来する親和性に対するスペクトルグラフ分割問題であるという暗黙的で限定的な仮定に依存している。
適応ラベルプルーニング戦略を用いてランダムウォークに基づく拡散を行うマルコフ伝搬方式を提案する。
提案手法は, 従来のスペクトルクラスタリング手法と比較して, よりシャープな境界, よりコヒーレントな領域, より安定したマスクを生成する。
論文 参考訳（メタデータ） (2026-01-31T05:12:17Z)
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。