Fugu-MT 論文翻訳(概要): Semantic Space Search Trajectory Networks

論文の概要: Semantic Space Search Trajectory Networks

arxiv url: http://arxiv.org/abs/2607.25122v1
Date: Mon, 27 Jul 2026 22:30:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-29 20:50:42.644057
Title: Semantic Space Search Trajectory Networks
Title（参考訳）: セマンティック宇宙探索軌道網
Abstract要約: Search Trajectory Networks (STN) は、最適化アルゴリズムの挙動を視覚化し、特徴付けるグラフベースのツールである。固定標本集合上でのモデルの予測の空間として定義される意味空間におけるSTNの構成手法を提案する。提案手法は意味ベクトルを離散化し,正規化ハミング距離の下で完全なリンク付き凝集クラスタリングによりネットワークノードに集約する。
参考スコア（独自算出の注目度）: 2.346647008271597
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Search Trajectory Networks (STNs) are a graph-based tool for visualizing and characterizing the behavior of optimization algorithms. STNs' reliance on discretization of the search space has largely confined them to low-dimensional or combinatorial settings. We introduce a methodology for constructing STNs in semantic spaces, defined as the space of a model's predictions on a fixed sample set. Our approach discretizes semantic vectors and aggregates them into network nodes via agglomerative clustering with complete linkage under a normalized Hamming distance. Since any predictor can be summarized by its semantic vector, this method enables comparison of learning dynamics across otherwise incomparable algorithm families. We apply semantic space STNs to classification and regression tasks solved using different machine learning algorithms, recovering known qualitative differences between them. Additionally, we use semantic space STNs to study neural network generalization by contrasting standard training with the label randomization regime of Zhang et al. (2017). The resulting STNs exhibit consistent structural differences, training on real labels produces denser, more efficient and more centralized graphs than training on shuffled labels. Together, our results show that semantic space STNs capture functional training dynamics arising from the interaction between learning algorithms and data, providing a tool for analyzing and comparing learning dynamics across machine learning models and training regimes.
Abstract（参考訳）: Search Trajectory Networks (STN) は、最適化アルゴリズムの挙動を視覚化し、特徴付けるグラフベースのツールである。探索空間の離散化に対するSTNsの依存は、それらを低次元または組合せ的な設定に大きく制限している。固定標本集合上でのモデルの予測の空間として定義される意味空間におけるSTNの構成手法を提案する。提案手法は意味ベクトルを離散化し,正規化ハミング距離の下で完全なリンク付き凝集クラスタリングによりネットワークノードに集約する。任意の予測子はセマンティックベクターで要約できるため、この手法は非互換性なアルゴリズムファミリ間での学習力学の比較を可能にする。異なる機械学習アルゴリズムを用いて解いた分類および回帰タスクに意味空間STNを適用し、それらの間の既知の質的な差異を回復する。さらに、意味空間STNを用いて、Zhang et al (2017)のラベルランダム化方式と標準トレーニングを対比することにより、ニューラルネットワークの一般化を研究する。結果として得られたSTNは一貫した構造的な違いを示し、実際のラベルのトレーニングはシャッフルラベルのトレーニングよりも密度が高く、効率的で、より集中的なグラフを生成する。この結果から,学習アルゴリズムとデータ間の相互作用から生じる機能的トレーニングのダイナミクスを意味空間STNが捉え,機械学習モデルと学習体制間の学習のダイナミクスを解析・比較するためのツールを提供する。

関連論文リスト

Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
論文参考訳（メタデータ） (2025-06-02T08:13:32Z)
Improving vision-language alignment with graph spiking hybrid Networks [10.88584928028832]
本稿では,細粒度のセマンティックな特徴を生成するために,パノプティックセマンティック・セマンティック・セマンティクスの活用を必要とする包括的ビジュアルセマンティクス表現モジュールを提案する。視覚的セマンティック情報を符号化するために,SNNとGATの相補的な利点を統合したグラフスパイキングハイブリッドネットワーク(GSHN)を提案する。
論文参考訳（メタデータ） (2025-01-31T11:55:17Z)
A Top-down Graph-based Tool for Modeling Classical Semantic Maps: A Crosslinguistic Case Study of Supplementary Adverbs [50.982315553104975]
セマンティックマップモデル(SMM)は、言語横断的なインスタンスや形式からネットワークのような概念空間を構築する。ほとんどのSMMは、ボトムアップ手順を使用して、人間の専門家によって手動で構築される。本稿では,概念空間とSMMをトップダウンで自動生成するグラフベースの新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-12-02T12:06:41Z)
Linking in Style: Understanding learned features in deep learning models [0.0]
畳み込みニューラルネットワーク(CNN)は抽象的な特徴を学び、オブジェクト分類を行う。本稿では,CNNにおける学習特徴を可視化し,体系的に解析する自動手法を提案する。
論文参考訳（メタデータ） (2024-09-25T12:28:48Z)
Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文参考訳（メタデータ） (2024-05-22T17:23:15Z)
Self-supervised Pre-training for Semantic Segmentation in an Indoor Scene [8.357801312689622]
本稿ではセグメンテーションモデルの自己教師型事前学習手法であるRegConsistを提案する。我々は,対象環境におけるRGBビューからのセマンティックセグメンテーションを予測するために,コントラスト学習の変種を用いてDCNNモデルを訓練する。提案手法は、ImageNetで事前訓練されたモデルよりも優れており、全く同じタスクでトレーニングされたモデルと異なるデータセットでトレーニングされたモデルを使用する場合の競合性能を実現する。
論文参考訳（メタデータ） (2022-10-04T20:10:14Z)
Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文参考訳（メタデータ） (2021-12-15T09:50:25Z)
Structured Reordering for Modeling Latent Alignments in Sequence Transduction [86.94309120789396]
本稿では,分離可能な置換の辺りを正確に推定する効率的な動的プログラミングアルゴリズムを提案する。結果のSeq2seqモデルは、合成問題やNLPタスクの標準モデルよりも体系的な一般化が優れている。
論文参考訳（メタデータ） (2021-06-06T21:53:54Z)
Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文参考訳（メタデータ） (2020-10-23T11:18:20Z)
Interpretable Visualizations with Differentiating Embedding Networks [0.0]
本稿では,新たな非教師付きシームズニューラルネットワークトレーニングシステムと損失関数に基づく,微分埋め込みネットワーク(DEN)を用いた可視化アルゴリズムを提案する。 Siameseのニューラルネットワークは、データセット内の特定のサンプルペア間の差別化や類似した特徴を見つけ、これらの特徴を使用して、データセットを視覚化可能な低次元空間に埋め込む。 DENを解釈するために、可視化の上にエンドツーエンドのパラメトリッククラスタリングアルゴリズムを作成し、次にSHAPスコアを利用して、サンプル空間のどの特徴が重要かを決定する。
論文参考訳（メタデータ） (2020-06-11T17:30:44Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。