論文の概要: Generator-Aligned Representation Interfaces for Diagnostic Soft Equivariance

• arxiv url: http://arxiv.org/abs/2607.25988v1
• Date: Tue, 28 Jul 2026 17:06:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.941957
• Title: Generator-Aligned Representation Interfaces for Diagnostic Soft Equivariance
• Title（参考訳）: 診断ソフト等価性のためのジェネレータ配向表現インタフェース
• Abstract要約: 本稿では,表現レベル設計の原則であるジェネレータ指向表現インタフェース(GARI)を紹介する。 GARIは選択したトランスフォーメーションジェネレータをアライメントされた標準およびジェネレータによって誘導されるビューを通じて、ジェネリックシーケンスバックボーンに公開する。 定式化データと変換分布上で定義されたプローブ固有ソフト等分散残差を用いて結果の挙動を定式化する。
• 参考スコア（独自算出の注目度）: 12.132402240132748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exact-equivariant architectures typically encode prescribed group actions in specialized operators, which can complicate their reuse with generic backbones and across data modalities. We introduce the Generator-Aligned Representation Interface (GARI), a representation-level design principle that exposes selected transformation generators to a generic sequence backbone through aligned canonical and generator-induced views. We formalize the resulting behavior using a probe-specific soft-equivariance residual defined over declared data and transformation distributions. This framework distinguishes representation consistency from task robustness and exact equivariance, and localizes residual mismatch to interface construction, shared stream processing, and terminal fusion. We instantiate the interface as GARI-Net, which constructs generator-indexed streams, converts them into a common interaction frame, processes them with shared parameters, repairs ordering-induced context mismatch, enables cross-stream information exchange, and aggregates them using inter-stream discrepancy. Direct Equivariance Error (DEE) provides a frozen-checkpoint diagnostic of the prescribed representation relation under known token or voxel actions. Experiments on genomic sequences, images, and three-dimensional point clouds examine sequence reversal, planar rotations and reflections, and controlled axial transfer. Across these settings, the same interface principle supports task-relevant transformation consistency and generalization to declared held-out probes without requiring group-specific redesign of the sequence backbone. GARI therefore provides a portable diagnostic complement to hard-equivariant architectures: it makes generator structure accessible, learnable, and measurable, while finite-probe evidence remains distinct from certification of exact equivariance over a continuous group.
• Abstract（参考訳）: Exact-equivariantアーキテクチャは、通常、特定の演算子内の所定のグループアクションをエンコードし、それらの再利用を一般的なバックボーンやデータモダリティで複雑化する。 本稿では,GARI(Generator-Aligned Representation Interface)について紹介する。GARIは,選択された変換生成元を,整列された標準およびジェネレータによって誘導されるビューを通じて,一般的なシーケンスバックボーンに公開する表現レベルの設計原理である。 定式化データと変換分布上で定義されたプローブ固有ソフト等分散残差を用いて結果の挙動を定式化する。 このフレームワークは、タスクの堅牢性と正確な等価性から表現の一貫性を区別し、残差ミスマッチをインタフェース構築、共有ストリーム処理、端末融合に局所化する。 我々はGARI-Netとしてインタフェースをインスタンス化し、ジェネレータをインデクシングしたストリームを構築し、共通のインタラクションフレームに変換し、共有パラメータで処理し、順序付けによるコンテキストミスマッチを修復し、ストリーム間の情報交換を可能にし、ストリーム間の不一致を利用してそれらを集約する。 直接等分散誤差(Direct Equivariance Error, DEE)は、既知のトークンまたはボクセル動作下での所定の表現関係の凍結チェックポイント診断を提供する。 ゲノム配列、画像、三次元点雲の実験は、配列の反転、平面回転と反射、および制御された軸転移を調べた。 これらの設定全体にわたって、同じインターフェイス原理はタスク関連変換の一貫性をサポートし、シークエンスバックボーンをグループ固有の再設計を必要とせずに、宣言されたホールドアウトプローブを一般化する。 GARIは、連続群上の正確な同値性の証明とは相容れないが、ジェネレータ構造をアクセスしやすく、学習し、測定しやすくする。

関連論文リスト

• Where to Compute and How to Interact: Operator-Readable Adaptation with Gauge-Aware Transport [17.892151567058367]
  偏微分方程式(PDE)に対する物理インフォームド適応アロケーションシステムを提案する。 Gauge-Aware Adaptive Mesh Neural Operator (GA-AMNO)は、計算が特定の場所に割り当てられている理由を考慮し、テストすることができる。 5つのPDEベンチマークの実験では、予測精度が向上し、制御された介入と幾何ミスマッチ解析によりアロケーションと相互作用の役割が検証された。
  論文  参考訳（メタデータ） (2026-09-14T14:13:30Z)
• REGEN: Reference-Guided Synthetic Multivariate Time Series Generation for Forecasting [7.771378647684901]
  本稿では,観測された配列を合成のための構造的足場として扱う参照誘導型生成パイプラインを提案する。 ReGeNの生成したデータは、最小限の予測劣化を伴う実兄弟データに一貫した代用であることを示す。 これは、低データのレシエーションにおいて、参照データが構造的に悪用される方法が、利用可能なデータ量と同じくらい重要であることを示唆している。
  論文  参考訳（メタデータ） (2026-06-03T16:19:55Z)
• Variational Learning for Insertion-based Generation [50.15012125719375]
  可変長挿入モデルの挿入順序を学習するための確率的フレームワークを提案する。 本稿では,挿入する場所,挿入する場所,終了するタイミングを共同で学習する生成モデルであるInsertion Process (IP)を提案する。
  論文  参考訳（メタデータ） (2026-06-01T11:59:46Z)
• seq-JEPA: Autoregressive Predictive Learning of Invariant-Equivariant World Models [1.474723404975345]
  本稿では,協調埋め込み型予測アーキテクチャにアーキテクチャバイアスを導入する世界モデリングフレームワークSeq-JEPAを提案する。 Seq-JEPA は2つのアーキテクチャ的に分離された表現を同時に学習する。 行動間の経路統合や眼球運動間の予測学習など、本質的に一連の観察を必要とするタスクに優れています。
  論文  参考訳（メタデータ） (2025-05-06T04:39:11Z)
• HeterRec: Heterogeneous Information Transformer for Scalable Sequential Recommendation [21.435064492654494]
  HeterRecは、アイテム側の異種機能を統合するシーケンシャルレコメンデーションモデルである。 HeterRecはHTFLと階層型因果変圧器層(HCT)を組み込んでいる オフラインとオンライン両方のデータセットに対する大規模な実験は、HeterRecモデルが優れたパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2025-03-03T12:23:54Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Representation Disentaglement via Regularization by Causal Identification [3.9160947065896803]
  本稿では,不整合表現学習における基礎となるデータ生成過程の仮定を記述するために,因果コライダー構造モデルを提案する。 そこで本研究では,大規模生成モデルの挙動を因果同定によって課される絡み合った制約に整合させるモジュール型正規化エンジンReIを提案する。
  論文  参考訳（メタデータ） (2023-02-28T23:18:54Z)
• Equivariant Disentangled Transformation for Domain Generalization under Combination Shift [91.38796390449504]
  ドメインとラベルの組み合わせは、トレーニング中に観察されるのではなく、テスト環境に現れる。 我々は、同型の概念、同値性、および整合性の定義に基づく結合シフト問題の一意的な定式化を提供する。
  論文  参考訳（メタデータ） (2022-08-03T12:31:31Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
  変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。 そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。 本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
  論文  参考訳（メタデータ） (2022-02-08T16:16:11Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)

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。