論文の概要: Differentiable Clone-Structured Causal Graphs for End-to-End Cognitive Map Learning from Image Sequences

• arxiv url: http://arxiv.org/abs/2607.12382v1
• Date: Tue, 14 Jul 2026 05:54:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.046961
• Title: Differentiable Clone-Structured Causal Graphs for End-to-End Cognitive Map Learning from Image Sequences
• Title（参考訳）: 画像系列からのエンド・ツー・エンド認知マップ学習のためのクローン構造化因果グラフの微分可能化
• Abstract要約: 解析された観測から解釈可能な地図がどのように学習できるかを示す。 この研究は、CSCGがディープラーニングアーキテクチャにおける構成可能なビルディングブロックとして機能する、という原則の証明を提供する。
• 参考スコア（独自算出の注目度）: 1.136400708263664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can an agent build a structured map of its world from nothing but an ongoing sequence of raw sensory input and its own movements, especially when natural variation means exact sensory patterns rarely repeat? The Clone-Structured Causal Graph algorithm (CSCG), a normative hippocampus model, shows how an interpretable map can be learned from aliased observations. However, CSCG requires a predefined discrete alphabet, and its expectation-maximization formulation is not easily combined with existing neural network modules, preventing the end-to-end processing of raw image sequences. We remove this barrier by reformulating CSCG as a single, fully differentiable module, gradCSCG, and coupling it to a learned vector-quantized variational autoencoder (VQ-VAE) perceptual front-end. A soft emission forward pass allows the map-learning objective to flow back into perception, while a set of loss-balancing mechanisms mitigates module collapse during joint training. We demonstrate, first, that gradient training reproduces CSCG's results on original symbolic grid worlds by recovering room topology from heavily aliased observations. Second, we show that map recovery remains robust on MNIST image sequences, where each visit to a location yields a newly sampled image of its assigned digit. Across four heavily aliased environments, the end-to-end pipeline successfully uncovers the underlying adjacency graph with high edge precision and recall, directly from visual input. This work provides a proof of principle that CSCG can serve as a composable building block in a deep learning architecture.
• Abstract（参考訳）: エージェントはどのようにして、生の感覚入力の連続と、自然の変化によって正確な感覚パターンがほとんど繰り返されない場合にのみ、その世界の構造化マップを構築することができるのか? 標準海馬モデルであるクローン構造因果グラフアルゴリズム(CSCG)は、エイリアス化された観測から解釈可能なマップをどのように学習するかを示す。 しかし、CSCGは定義済みの離散アルファベットを必要とするため、予測最大化の定式化は既存のニューラルネットワークモジュールと簡単には結合されず、生画像列のエンドツーエンド処理を妨げている。 CSCGを1つの完全微分可能なモジュールであるgradCSCGとして再構成し、学習ベクトル量子変分オートエンコーダ(VQ-VAE)の知覚フロントエンドに結合することにより、この障壁を取り除く。 ソフトエミッションフォワードパスは、地図学習の目的を認識に戻すことを可能にし、ロスバランス機構のセットは、ジョイントトレーニング中にモジュールの崩壊を緩和する。 まず,厳密な観測から部屋のトポロジを復元することにより,CSCGの結果を元のシンボルグリッドの世界で再現できることを実証する。 第2に、MNIST画像シーケンス上でマップの復元が引き続き堅牢であることを示し、そこでは、各訪問が割り当てられた桁の新たにサンプリングされた画像を取得する。 4つの厳しい環境の中で、エンドツーエンドのパイプラインは、ビジュアル入力から直接、高いエッジ精度とリコールで、基盤となる隣接グラフの発見に成功した。 この研究は、CSCGがディープラーニングアーキテクチャにおける構成可能なビルディングブロックとして機能する、という原則の証明を提供する。

関連論文リスト

• LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals [50.157719466558696]
  現代の発電機は, セマンティック・残留部分空間において, 支配的なセマンティックな方向を保ちながら, 低ランクの崩壊を示すことを示す。 崩壊した残余幾何を捉えるために意味的優位性を分離するフレームワークである textbfLoRC を提案する。 本手法は,複数のベンチマークで平均7.0%の精度向上を実現し,39個の未知のジェネレータ上で97.0%の精度を実現する。
  論文  参考訳（メタデータ） (2026-08-21T08:58:47Z)
• Columnar-Embedder: A Biologically Inspired Cortical Architecture for Binary Sparse Distributed Graph Representations [0.0]
  グラフノードのスパース分散表現を学習するためのカラムナー・エンベッドダーアーキテクチャを提案する。 このアーキテクチャは、ポータビリティ、ノイズに対するレジリエンス、データの破損に対する堅牢性を示す。 5つのグラフベンチマークにおいて、SDRの性能は実数値密度埋め込みと競合する。
  論文  参考訳（メタデータ） (2026-08-12T03:31:39Z)
• Global-Aware Edge Prioritization for Pose Graph Initialization [58.77851776918465]
  画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
  論文  参考訳（メタデータ） (2026-02-25T14:44:53Z)
• Graph Your Own Prompt [44.358377952850994]
  グラフ一貫性規則化(GCR)は、モデル予測から派生した関係グラフ構造を学習プロセスに注入するフレームワークである。 GCRは、よりクリーンな特徴構造、より強力なクラス内凝集、一般化を促進し、予測構造から学習する新しい視点を提供する。
  論文  参考訳（メタデータ） (2025-09-27T15:45:07Z)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• Preserving Node Distinctness in Graph Autoencoders via Similarity Distillation [9.395697548237333]
  グラフオートエンコーダ(GAE)は、平均二乗誤差(MSE)のような距離ベースの基準に依存して入力グラフを再構築する。 単一の再構築基準にのみ依存すると 再建されたグラフの 特徴が失われる可能性がある 我々は,再構成されたグラフにおいて,必要な相違性を維持するための簡易かつ効果的な戦略を開発した。
  論文  参考訳（メタデータ） (2024-06-25T12:54:35Z)
• G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity Priors [52.646396621449]
  G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。 学習形態の集合に親和性グラフを自己教師型で構築する。 近年の形状対応ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2022-12-06T12:09:24Z)
• Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
  本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
  論文  参考訳（メタデータ） (2021-07-13T18:01:43Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Self-Constructing Graph Convolutional Networks for Semantic Labeling [23.623276007011373]
  本稿では,学習可能な潜伏変数を用いて埋め込みを生成する自己構築グラフ(SCG)を提案する。 SCGは、空中画像中の複雑な形状の物体から、最適化された非局所的なコンテキストグラフを自動的に取得することができる。 本稿では,ISPRS Vaihingen データセット上で提案した SCG の有効性と柔軟性を示す。
  論文  参考訳（メタデータ） (2020-03-15T21:55:24Z)

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。