論文の概要: Learned, Relied Upon, or Necessary? Separating Checkpoint Dependence from Task-Level Value in Sheaf GNNs

• arxiv url: http://arxiv.org/abs/2607.25387v2
• Date: Fri, 31 Jul 2026 21:58:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:23.939587
• Title: Learned, Relied Upon, or Necessary? Separating Checkpoint Dependence from Task-Level Value in Sheaf GNNs
• Title（参考訳）: 学習, 信頼, 必要? GNNにおけるタスクレベル値からのチェックポイント依存性の分離
• Authors: Yi Liu,
• Abstract要約: 固定予測器の地図にチェックポイントがどう依存するかを示す。 タスク・ヌル定理は、クレームがなぜ分岐できるかを示す。 学習された地図は、必要不可欠なエッジ幾何学を構成することなく、適合した計算を制御可能であることを示す。
• 参考スコア（独自算出の注目度）: 4.28787537081191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned restriction maps in sheaf graph neural networks are often treated as proof that the model has discovered useful edge geometry. That conclusion does not follow from parameter movement or from a post-hoc ablation: both can show how one checkpoint is organized while leaving open whether learned transport still helps after the rest of the model adapts. We separate these claims with two estimands. Checkpoint reliance intervenes on the maps of a fixed predictor; protocol-relative replacement retrains matched families that remove map capacity, edge variation, or persistent edge assignment. A task-null theorem shows why the claims can diverge: labels identify only the transported classifier directions, leaving $d^2-d$ invisible degrees of freedom in every full $d\times d$ map. An exact frame model then gives the boundary at which reliance becomes unreplaced task value. Label-only training realizes the predicted separation, while audits of public NSD, DNSD, and Directed Sheaf Neural Network (DSNN) implementations recover both replaceable and unreplaced transport regimes on real graphs. All five DNSD benchmarks exhibit fixed-checkpoint reliance. After retraining, assignment-breaking or shared-map controls recover Full performance on four; Roman-Empire retains a $.0675$ advantage over continually resampled assignment and a $.0391$ advantage over a parameter-matched shared map across ten official splits. Thus, a learned map can govern a fitted computation without constituting indispensable edge geometry. Claims of learned transport should pair checkpoint interventions with matched retraining.
• Abstract（参考訳）: せん断グラフニューラルネットワークにおける学習された制限写像は、モデルが有用なエッジ幾何学を発見したことの証明として扱われることが多い。 この結論はパラメータの動きやポストホックアブレーションから導かれるものではなく、どちらも1つのチェックポイントがどのように組織化されているかを示しながら、学習されたトランスポートがモデルの他の部分が適応した後も役立つかどうかを示す。 私たちはこれらの主張を2つの評価で分離する。 チェックポイント依存は固定された予測器のマップに介入する。プロトコル相対的な置換リトレインは、マップの容量、エッジの変化、永続的なエッジ割り当てを削除するファミリーにマッチする。 ラベルは輸送された分類器の方向のみを識別し、d^2-d$可視自由度を全$d\times d$ mapに残す。 正確なフレームモデルは、依存が非置換タスク値となる境界を与える。 ラベルのみのトレーニングは、予測された分離を実現し、パブリックNSD、DNSD、Directed Sheaf Neural Network(DSNN)実装の監査は、実際のグラフ上の置換可能なトランスポートと非置換されたトランスポート状態の両方を回復する。 5つのDNSDベンチマークはすべて、固定チェックポイント依存を示す。 再訓練後、割り当てブレークまたは共有マップコントロールは4つのパフォーマンスを回復し、Roman-Empireは継続的に再サンプリングされた割当てよりも$.0675$、パラメータマッチングされた10のオフィシャルスプリットに対して$.0391$のアドバンテージを保持した。 したがって、学習された写像は、必要不可欠なエッジ幾何学を構成することなく、適合した計算を管理することができる。 学習したトランスポートの主張は、一致した再トレーニングとチェックポイントの介入を組み合わせるべきである。

関連論文リスト

• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Channel Location Constrains the Auditability of Subliminal Learning [0.0]
  サブリミナル・ラーニング(Subliminal learning)は、教師の隠れた特徴を、決して名前をつけない蒸留データから継承する。 事前訓練された言語モデルでは、マスク付きシングルトーケン特性は代わりに収束語彙幾何学を使用する。 チャンネルの位置は、どの監査を音声で行うかを決定するのに必要である。
  論文  参考訳（メタデータ） (2026-06-20T12:48:31Z)
• Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
  現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。 本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。 8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
  論文  参考訳（メタデータ） (2026-06-02T06:51:15Z)
• Fast Unlearning at Scale via Margin Self-Correction [52.46927918952516]
  言語モデルアンラーニングは、トレーニングモデルを更新して、選択したトレーニング例を見ていないかのように振る舞う。 MASCは、既存のベースラインの計算コストのごく一部で、競争力のある忘れがちなトレードオフを達成する。
  論文  参考訳（メタデータ） (2026-06-01T21:49:54Z)
• Shortcuts in the Tail: Debiasing via Post-Hoc Spectral Compression of Fine-Tuning Updates [0.47963487028876156]
  微調整は、しばしばタスク知識と急激な相関を導入し、不足したグループに体系的な失敗を引き起こす。 W = W_mathrmft - W_mathrmbase$のSVDのテールを切断することで、タスク精度を維持しながら、スプリアスグループギャップを低減できる。
  論文  参考訳（メタデータ） (2026-05-29T05:18:25Z)
• Causal Label Recovery in Payment Networks [0.0]
  支払いネットワークにおける不正検出モデルは、体系的にバイアスのあるチャージバックラベルでトレーニングする。 共用紙 [arXiv05:26.27557] は、これらの4つの障害が検出性能に最小限の上限を課すことを示した。 観測パイプラインを3段階, 破損層を有する逐次欠落データ問題として定式化し, 逐次トリプライロバスト推定器を構築した。
  論文  参考訳（メタデータ） (2026-05-28T02:43:34Z)
• Can Transformers Learn to Verify During Backtracking Search? [5.709908922073304]
  バックトラック探索は古典的な制約解決者、プランナー、定理証明者の基礎となる。 最近の変圧器に基づく推論システムは, 探索木を自身の中間ステップで探索する。 累積トレースで訓練されたデコーダのみの変換器は、この要件を2つの方法で満たさないことを示す。
  論文  参考訳（メタデータ） (2026-05-21T09:26:01Z)
• From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
  教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。 本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
  論文  参考訳（メタデータ） (2026-05-21T04:54:55Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• WGLE:Backdoor-free and Multi-bit Black-box Watermarking for Graph Neural Networks [2.3612692427322313]
  グラフニューラルネットワーク(GNN)のための新しいブラックボックス透かしパラダイムであるWGLEを提案する。 WGLEは、意図した情報をエンコードする透かしを埋め込む。 その結果、WGLEは100%のオーナシップ検証精度、平均忠実度0.85%、潜在的攻撃に匹敵し、組込みオーバーヘッドが低いことがわかった。
  論文  参考訳（メタデータ） (2025-06-10T09:12:00Z)

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。