論文の概要: ANGLE: Angular Neural Generative Learning via Engression

• arxiv url: http://arxiv.org/abs/2607.12833v1
• Date: Tue, 14 Jul 2026 14:51:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.176262
• Title: ANGLE: Angular Neural Generative Learning via Engression
• Title（参考訳）: ANGLE: Engressionによる角神経生成学習
• Abstract要約: 角や方向を表す円形データは、コンピュータビジョン、生物学、地質学、気象学でよく見られる。 伝統的な回帰は条件平均を目標としており、多モード、歪んだ、あるいは非対称なデータ構造の下での円形の応答を幾何学的に誤解させることが多い。 ANGLEは円上の非パラメトリック分布回帰のために導入された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Circular data, representing angles or directions, are frequently encountered in computer vision, biology, geology, and meteorology. Traditional regression targets the conditional mean, which is often geometrically misleading for circular responses under multimodal, skewed, or asymmetric data structures. To address these limitations, a lightweight deep generative framework, namely ANGLE, is introduced for non-parametric distributional regression on the circle. The full conditional distribution of an angular response, given Euclidean and circular covariates, is learned through a generative map optimized via a generalized circular energy score (GCES) loss. Desirable theoretical properties, including the strict propriety of the loss and the rotational equivariance of the estimators, are established. Furthermore, both pre- and post-additive noise models are accommodated. A unified toolbox is provided for advancing previously underexplored challenges in circular statistics: extrapolation, sufficient dimension reduction, and conditional distribution equality testing. The framework's efficacy is demonstrated through extensive simulations and real-world applications. Specifically, the proposal is utilized for object pose estimation from imagery and wind direction prediction, which are integral to surveillance, autonomous vehicles, and energy systems, respectively. Superior predictive performance and robust uncertainty quantification of the proposed method in these tasks are revealed.
• Abstract（参考訳）: 角や方向を表す円形データは、コンピュータビジョン、生物学、地質学、気象学でよく見られる。 伝統的な回帰は条件平均を目標としており、多モード、歪んだ、あるいは非対称なデータ構造の下での円形の応答を幾何学的に誤解させることが多い。 これらの制限に対処するため、円上の非パラメトリック分布回帰のために、軽量な深層生成フレームワークであるANGLEが導入された。 角応答の完全な条件分布は、ユークリッドと円形共変体が与えられたとき、一般化された円エネルギースコア(GCES)損失によって最適化された生成写像を通して学習される。 損失の厳密な正当性や推定器の回転同値性を含む望ましい理論的性質が確立される。 さらに、前付加音モデルと後付加音モデルの両方に対応している。 統一されたツールボックスは、外挿、十分な次元の縮小、条件分布の等式検定といった、これまで未解明だった円形統計学の課題を進めるために提供される。 このフレームワークの有効性は、広範囲なシミュレーションと実世界の応用を通して実証されている。 具体的には、監視、自動運転車、エネルギーシステムにそれぞれ不可欠な画像と風向予測からオブジェクトポーズの推定に利用した。 これらの課題において提案手法の高次予測性能とロバストな不確実性定量化が明らかになった。

関連論文リスト

• Bayesian Latent Space Models for Graphs Are Misspecified: Toward Robust Inference via Generalized Posteriors [0.0]
  Link-Sequential R-SafeBayes(リンク・シークエンシャル・R-SafeBayes)は、初期リスクを推定し、後続正則化を適応的に調整する手法である。 合成および実世界のネットワークの実験では、キャリブレーションの改善、リンク予測性能の向上、ユークリッド空間、球状空間、双曲空間をまたいだ潜在測地を選択するための信頼性の高い基準が示されている。
  論文  参考訳（メタデータ） (2026-05-18T12:53:43Z)
• Aligning Network Equivariance with Data Symmetry: A Theoretical Framework and Adaptive Approach for Image Restoration [71.51826063983434]
  画像復元は本質的に逆問題である。 非厳密対称性を制約として、復元逆問題を定式化する。 最適復元演算子の等値誤差はデータ対称性誤差と離散化メッシュサイズによって厳密に制限されていることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:22:19Z)
• Grid-World Representations in Transformers Reflect Predictive Geometry [0.0]
  次世代予測器は、しばしば潜伏世界の内部表現とその規則を発達させる。 ランダムウォークの正確な分布からサンプリングしたベクトルに対してデコーダのみの変換器を訓練する。 モデルと層をまたいで、学習された表現は基底真実の予測ベクトルと強く一致し、しばしば低次元である。 単純化された玩具システムで実証されているが、最適予測を支持する接頭辞表現は、ニューラルネットワークが文法やその他の構造的制約を内部化する方法を研究する上で有用なレンズとなる可能性がある。
  論文  参考訳（メタデータ） (2026-03-17T15:47:33Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Representation-Aware Distributionally Robust Optimization: A Knowledge Transfer Framework [6.529107536201152]
  本稿では,分散シフトに対処する際の予測表現を考慮に入れた,分散的ロバスト学習のための新しいフレームワークを提案する。 我々は,READが輸送コストに多次元アライメントパラメータを埋め込むことで,情報表現に関連する方向に沿った摂動を差分的に回避できることを示した。 我々は、広範囲なシミュレーションと実世界の研究を通して、我々のフレームワークの有効性を実証することで結論付ける。
  論文  参考訳（メタデータ） (2025-09-11T11:42:17Z)
• Beyond Progress Measures: Theoretical Insights into the Mechanism of Grokking [50.465604300990904]
  グロキング(Grokking)とは、オーバーフィッティングの拡張後のテスト精度の急激な改善を指す。 本研究では、素数演算のタスクにおいて、Transformerの基盤となるグルーキング機構について検討する。
  論文  参考訳（メタデータ） (2025-04-04T04:42:38Z)
• A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [8.862614615192578]
  本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。 その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
  論文  参考訳（メタデータ） (2024-10-02T20:46:21Z)
• Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
  本研究では、円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。 本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)
• Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
  本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。 提案手法は, 十分次元還元法の非パラメトリック一般化である。 推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
  論文  参考訳（メタデータ） (2020-06-10T14:47:43Z)
• Generalized Sliced Distances for Probability Distributions [47.543990188697734]
  我々は、一般化スライス確率測定(GSPM)と呼ばれる、幅広い確率測定値の族を紹介する。 GSPMは一般化されたラドン変換に根付いており、ユニークな幾何学的解釈を持つ。 GSPMに基づく勾配流を生成モデル応用に適用し、軽度な仮定の下では、勾配流が大域的最適に収束することを示す。
  論文  参考訳（メタデータ） (2020-02-28T04:18:00Z)

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。