論文の概要: Projection Pursuit CPCANet for Domain Generalization

• arxiv url: http://arxiv.org/abs/2607.22117v1
• Date: Fri, 24 Jul 2026 09:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.090044
• Title: Projection Pursuit CPCANet for Domain Generalization
• Title（参考訳）: ドメイン一般化のための投影探索CPCANet
• Abstract要約: 分布シフトに頑健な表現を学習するために,投影探索CPCANet(PP-CPCANet)を提案する。 4つのDGベンチマーク実験により、PP-CPCANetは安定したトレーニングを維持しながらSOTA性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 10.224214218777824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain Generalization (DG) aims to learn representations robust to distribution shifts. Recent geometric alignment methods, such as CPCANet, extract domain-invariant structures through batch-wise Common Principal Component Analysis (CPCA). However, CPCANet suffers from rank-deficient covariance estimation due to the small-sample-size issue in mini-batch training. To address this limitation, we propose Projection Pursuit CPCANet (PP-CPCANet), a covariance-free framework that learns a global orthogonal basis on the Stiefel manifold and jointly optimizes it with network parameters via the Cayley transform. We further introduce a symmetry-breaking detached-median PP dispersion objective to extract common principal components (CPCs) with dense and robust optimization signals. Experiments on four DG benchmarks show that PP-CPCANet achieves SOTA performance while maintaining stable training.
• Abstract（参考訳）: ドメイン一般化(DG)は、分散シフトに頑健な表現を学習することを目的としている。 CPCANetのような最近の幾何学的アライメント手法は、バッチワイド共通主成分分析(CPCA)を通してドメイン不変構造を抽出する。 しかしCPCANetは,ミニバッチトレーニングにおける小さめの問題を原因として,ランク不足の共分散推定に悩まされている。 この制限に対処するために、Siefel多様体上の大域直交基底を学習し、ケイリー変換を介してネットワークパラメータと協調的に最適化する共分散のないフレームワークであるProduction Pursuit CPCANet(PP-CPCANet)を提案する。 さらに,高密度かつロバストな最適化信号で共通主成分(CPC)を抽出するために,対称性を破る分離中相PP分散目標を導入する。 4つのDGベンチマーク実験により、PP-CPCANetは安定したトレーニングを維持しながらSOTA性能を達成することが示された。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• CPCANet: Deep Unfolding Common Principal Component Analysis for Domain Generalization [10.224214218777824]
  ドメインの一般化は、アウト・オブ・ディストリビューション・シフトの下で堅牢な表現を学習することを目的としている。 本稿では,FGアルゴリズムを完全微分可能なニューラルネットワーク層に展開する新しいフレームワークであるCPCANetを提案する。 4つの標準DGベンチマーク実験により、CPCANetはゼロショット転送において最先端(SOTA)性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-05-06T17:09:34Z)
• Reliable Hierarchical Operating System Fingerprinting via Conformal Prediction [62.40452053128524]
  コンフォーマル予測(CP)は、既存の手法にラップして、保証されたカバレッジで予測セットを得ることができる。 この研究は、2つの異なる構造化CP戦略を導入し評価することで、これらの制限に対処する。 どちらの手法も妥当性を保証するが、レベルワイド効率と構造的整合性の間には根本的なトレードオフがある。
  論文  参考訳（メタデータ） (2026-02-13T11:20:48Z)
• Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
  固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。 SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。 この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
  論文  参考訳（メタデータ） (2025-10-17T07:43:51Z)
• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Sparse Tensor-based Multiscale Representation for Point Cloud Geometry Compression [18.24902526033056]
  Sparse Processing (STP) を用いたVoxelized PCGのマルチスケール表現による統合ポイントクラウド幾何 (PCG) 圧縮手法を開発した。 複雑性を適用することで複雑性を著しく減少させるのは、最も確率の高いVoxels(MP-POV)を中心とした畳み込みのみを実行するためである。 提案手法は,すべてのスケールでモデル共有を行うため,ポイントワイズによる軽量な複雑性と,小さなストレージ欲求を示す。
  論文  参考訳（メタデータ） (2021-11-20T17:02:45Z)
• Compressed Gradient Tracking for Decentralized Optimization Over General Directed Networks [17.49477125920901]
  汎用マルチエージェントネットワーク上での2つの通信効率の良い分散最適化アルゴリズムを提案する。 最初のアルゴリズムは、Push-Pull法と通信圧縮を組み合わせた勾配追跡手法である。 第2のアルゴリズムはCPP(B-CPP)の放送的バージョンであり、目的関数上の同じ条件下での線形収束率も達成する。
  論文  参考訳（メタデータ） (2021-06-14T08:53:30Z)
• Feature Transformation Ensemble Model with Batch Spectral Regularization for Cross-Domain Few-Shot Classification [66.91839845347604]
  特徴抽出ネットワークの後に多様な特徴変換を行うことにより,アンサンブル予測モデルを提案する。 我々は,事前学習中に特徴行列の特異値を抑制するために,バッチスペクトル正規化項を用い,モデルの一般化能力を向上させる。 提案したモデルは、ターゲット領域で微調整して、数発の分類に対処することができる。
  論文  参考訳（メタデータ） (2020-05-18T05:31:04Z)
• Fair Principal Component Analysis and Filter Design [2.66512000865131]
  我々は、複数のターゲットベクトルに公平にまたがる低次元部分空間を探索する。 ターゲットの場合の最適化の背景となる環境を解析する。 ランドスケープが良性であることを証明し、すべての局所ミニマがグローバルに最適であることを示す。
  論文  参考訳（メタデータ） (2020-02-16T11:42:52Z)

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。