論文の概要: Coordinated Disentanglement with Iterative Mode Discovery Under Hidden Correlations

• arxiv url: http://arxiv.org/abs/2607.17264v1
• Date: Sun, 19 Jul 2026 14:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.413611
• Title: Coordinated Disentanglement with Iterative Mode Discovery Under Hidden Correlations
• Title（参考訳）: 隠れ相関下での反復モード発見による協調的絡み合い
• Abstract要約: 分散表現学習はロバストな属性予測のための強力なパラダイムである。 反復モード探索(CoDID)を用いた協調解離法を提案する。 動的アーキテクチャを特徴とするエンドツーエンドフレームワークは、進化するモードの数に適応し、調整機構はメタ最適化によるエラー増幅を緩和する。
• 参考スコア（独自算出の注目度）: 18.64453754375684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Disentangled representation learning is a powerful paradigm for robust attribute prediction. While recent methods address attribute correlations, hidden correlations remain underexplored, where data under the value of a certain attribute exhibit underlying modes correlated with other attributes. To preserve mode information and achieve disentanglement, we jointly discover modes and enforce mode-based conditional independence. Yet, the interdependency between these two modules may lead to error amplification under naive iterations. We propose Coordinated Disentanglement with Iterative mode Discovery (CoDID), an end-to-end framework featuring a dynamic architecture that adapts to evolving number of modes, and a coordination mechanism that mitigates error amplification via meta-optimization. Empirical results demonstrate the state-of-the-art performance on diverse tasks.
• Abstract（参考訳）: 分散表現学習はロバスト属性予測のための強力なパラダイムである。 最近の手法では属性の相関に対処するが、隠れた相関は未探索のままであり、ある属性の値の下にあるデータは、他の属性と相関する基本的なモードを示す。 モード情報を保存し,ゆがみを実現するために,モードを共同で発見し,モードベースの条件独立を強制する。 しかし、これらの2つのモジュール間の相互依存関係は、単純なイテレーションの下でエラーの増幅につながる可能性がある。 提案するCoDID(Coordinated Disentanglement with Iterative Mode Discovery)は,進化するモード数に対応する動的アーキテクチャを特徴とするエンドツーエンドフレームワークであり,メタ最適化によるエラー増幅を緩和する協調機構である。 実証的な結果は、様々なタスクにおける最先端のパフォーマンスを示している。

関連論文リスト

• Beyond Independence: Learning Correlated Views for Variational Incomplete Multi-View Clustering [15.204251218204542]
  不完全なマルチビュークラスタリング(IMVC)は、部分的に観察されたビューを持つデータから共有クラスタ構造を明らかにすることを目的としている。 本稿では、学習可能なクロスビュー相関構造を導入することにより、この仮定を明示的に超越した変分フレームワークを提案する。 提案手法は多種多様なビュー設定における最先端のアプローチを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-16T14:16:24Z)
• Learning to Watch: Active Video Anomaly Understanding via Interleaved Policy Optimization [56.150184676745205]
  ビデオ異常理解(VAU)は、スパースでコンテキストに依存した手がかりに依存している。 本稿では,映像理解をアクティブな逐次意思決定プロセスとして再認識するクローズドループフレームワークである$Anomtext-$を提案する。 人間のビデオレビュー行動に触発されたこのフレームワークは、内部の認知的推論と戦略的エビデンスを、インターリーブされたポリシーに統一する。
  論文  参考訳（メタデータ） (2026-07-01T08:41:49Z)
• Towards Anomaly Detection on Relational Data [51.473064583839296]
  属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。 RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-17T02:36:32Z)
• Saliency-Aware Model Merging [47.65036144170475]
  モデルマージは、異なるデータセットに微調整された複数のタスク固有のモデルを、ドメイン間の習熟性を実行する統一アーキテクチャに統合することを目的としている。 現在のデータフリーモデルマージ手法は、層間依存関係や一様でない専門知識の分布を無視した単純なパラメータレベルに依存するため、スケールアップに苦労することが多い。 この研究は、構造的なプルーニング(SynFlowなど)から接続ベースのサリエンシの定式化に基づいて構築され、それらをデータフリーモデルマージ設定に拡張するSA-Mergingを提案する。
  論文  参考訳（メタデータ） (2026-05-30T04:00:44Z)
• Multi-Modal Image Fusion via Intervention-Stable Feature Learning [8.38110675007969]
  本稿では、ロバストな相互依存を特定するために、因果原理に着想を得た介入に基づくフレームワークを提案する。 提案手法は,公開ベンチマークと下流高レベル視覚タスクの両方でSOTA性能を実現する。
  論文  参考訳（メタデータ） (2026-03-24T14:36:24Z)
• Guided Verifier: Collaborative Multimodal Reasoning via Dynamic Process Supervision [11.159231524113764]
  マルチモーダル大規模言語モデル(MLLM)の複雑な推論能力を高めるための重要なメカニズムとして強化学習(RL)が登場した。 本稿では,これらの構造的制約に対処する textbfGuided Verifier フレームワークを提案する。 我々は,マルチモーダル幻覚をターゲットとした特殊なデータ合成パイプラインを開発し,プロセスレベルの負の textbfCoRe データセットとtextbfCorrect-guide textbfReasoning トラジェクトリを構築し,ガイド付き検証器を訓練する。
  論文  参考訳（メタデータ） (2026-02-04T07:38:42Z)
• Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
  本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。 ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-12-03T12:43:16Z)
• Community Detection on Model Explanation Graphs for Explainable AI [0.0]
  モジュール・オブ・インフルエンス(MoI)は、インスタンスごとの属性からモデル説明グラフを構築する。 MoIはコミュニティ検出を適用して、予測に共同で影響を与える機能モジュールを見つけ、これらのモジュールがバイアス、冗長性、因果パターンにどのように関係しているかを定量化する。 我々は,モジュール発見をXAIでベンチマークするために,安定性と相乗効果の指標,参照実装,評価プロトコルをリリースする。
  論文  参考訳（メタデータ） (2025-10-31T17:27:56Z)
• Bridging the Modality Gap: Dimension Information Alignment and Sparse Spatial Constraint for Image-Text Matching [10.709744162565274]
  本稿では2つの側面からモダリティギャップを橋渡しするDIASと呼ばれる新しい手法を提案する。 この方法はFlickr30kとMSCOCOベンチマークで4.3%-10.2%のrSum改善を実現している。
  論文  参考訳（メタデータ） (2024-10-22T09:37:29Z)
• A Solution to Co-occurrence Bias: Attributes Disentanglement via Mutual Information Minimization for Pedestrian Attribute Recognition [10.821982414387525]
  そこで本研究では,現在の手法が,データセット分布のシーンやアイデンティティに適合する属性の相互依存性の一般化に実際に苦慮していることを示す。 現実的な場面で頑健なモデルをレンダリングするために,属性不整形特徴学習を提案し,属性の認識が他者の存在に依存しないことを保証する。
  論文  参考訳（メタデータ） (2023-07-28T01:34:55Z)
• Exploiting modality-invariant feature for robust multimodal emotion recognition with missing modalities [76.08541852988536]
  我々は、欠落したモダリティ・イマジネーション・ネットワーク(IF-MMIN)に不変な特徴を用いることを提案する。 提案モデルは,不確実なモダリティ条件下で,すべてのベースラインを上回り,全体の感情認識性能を不変に向上することを示す。
  論文  参考訳（メタデータ） (2022-10-27T12:16:25Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。