論文の概要: Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions
- arxiv url: http://arxiv.org/abs/2608.06174v1
- Date: Thu, 06 Aug 2026 15:38:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.945363
- Title: Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions
- Title（参考訳）: 動作因子化支援:制御介入による凍結型ビジョンエンコーダの構成読み出し
- Authors: Zhongyao Wang, Wanli Ouyang, Taoyong Cui, Pheng Ann Heng,
- Abstract要約: 我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。
グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
- 参考スコア（独自算出の注目度）: 87.95757610455173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compositional analysis of frozen vision encoders should determine both what changed and where it changed. Standard factor probes score these axes separately, however, and can reward multiple operations that reuse the same predicted slot. We call this failure operation laundering. We introduce an injectively aligned leave-one-cell-out protocol over support x operation grids and SO-OPF, a readout that factors cell energy into support salience and a competitive operation posterior. This formulation separates two questions that aggregate scores conflate: whether the carrier composes held-out bindings when the grid is known, and whether that grid can be recovered from flat cell labels. With frozen DINOv3 features, known factorial assignment reaches 0.874 injective accuracy on Shapes3D-Extended and 0.799 on globally image-disjoint COCO; learning the assignment from flat labels reaches 0.769 and 0.762, respectively. Under matched-axis-aware supervision on Shapes3D, the factored carrier improves learned-assignment accuracy from 0.653 to 0.841 over a dense carrier and eliminates its laundering gap. SigLIP2 replicates the COCO separation. A rebuilt MuJoCo substrate exposes a boundary: learned-assignment accuracy is 0.569 with DINOv3 and 0.484 with SigLIP2, with substantial slot collapse. Thus factored readout and injective evaluation recover held-out bindings on two substrates while exposing, rather than hiding, a renderer-specific failure boundary; they do not establish universal recovery from flat labels.
- Abstract（参考訳）: 凍結した視覚エンコーダの組成分析は、変化点と変化点の両方を決定する必要がある。
しかし、標準因子プローブはこれらの軸を個別にスコアし、同じ予測スロットを再利用する複数の操作に報酬を与えることができる。
私たちはこの故障操作を洗浄と呼ぶ。
我々は, セルエネルギーをサリエンスと後続の競合操作に分解する読み出しである, x 操作グリッドと SO-OPF 上で, インジェクティブに整合したLeft-one-outプロトコルを導入する。
この定式化は、グリッドが知られているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの疑問を要約する。
凍結したDINOv3の特徴により、既知の因子割り当てはShapes3D-Extendedで0.874、COCOで0.799に達し、フラットラベルからの割り当ては0.769、0.762に達する。
形状3Dの一致軸対応監視の下では、高密度キャリア上での学習割当精度を0.653から0.841に改善し、洗浄ギャップをなくす。
SigLIP2はCOCO分離を複製する。
再構成されたMuJoCo基板は境界を露出し、学習割当精度は0.569でDINOv3は0.484でSigLIP2は実質的にスロット崩壊する。
したがって,2つの基板上のホールドアウト結合を,シーケンサ固有の障害境界を隠蔽する代わりに回収し,フラットラベルから普遍的なリカバリを確立できない。
関連論文リスト
- Forgetful Attention: A Trainable Support-Vector Memory with Certified Selection and Exact Unlearning [0.16921396880325776]
固定ボックスパラメータCの1クラスSfpの支持係数が重みを持つメモリであるSupport Vector Attention(SV-Attention)を導入する。
アクティブセットのパーティションは、リザーブトークンを正確にゼロウェイト、出力ウェイトを与え、インクリメンタルインクリメンタルソルバトークンは、同じCの下で再トレーニングせずに生成した状態を回復する。
また,実文埋め込み上での外科的排除,正確な編集,患者記録の削除,忘れやすい検索メモリも示す。
論文 参考訳（メタデータ） (2026-07-13T23:13:57Z) - Guidance Breaks the Fitted Operator: A Terminal-Fitted Repair for Classifier-Free Guidance [0.6768558752130311]
インテグレータ分析レンズを用いて拡散フリーガイダンス(CFG)を解析する。
このガイダンスは, 判別部分空間を, 異常な1+wに正確に再シュミレーションすることを示す。
DDIMはもはや装着されておらず、粗いメッシュ上では、sigma_minがゼロになるにつれて、ガイドされた残基が分岐する。
論文 参考訳（メタデータ） (2026-07-08T17:21:51Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - Conditional Co-Ablation: Recovering Self-Repair Backups in Transformer Circuits [47.668752416295185]
条件付き共アブレーションは、各単位のアブレーション効果が一次集合が取り除かれたときにどれだけ増大するかを問う。
GPT-2の小型IOI回路では、CoAxはバックアップヘッドのリカバリを0.33から0.91 ROC-AUCに引き上げる。
論文 参考訳（メタデータ） (2026-07-02T09:32:57Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。
複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
論文 参考訳（メタデータ） (2026-06-19T06:04:17Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Dimensional Coactivation for Representational Consistency in Frozen Vision Foundation Models [0.0]
本研究は,凍結基礎モデルが意味領域をまたいだ1つのサンプルを連続的に表現するかどうかを考察する。
本稿では,このコヒーレンスを測定するための次元別コヒーレンス(DCA)について紹介する。
DCAは安定な1次元座標系に依存し、領域抽出のみに依存しない。
論文 参考訳（メタデータ） (2026-05-07T15:32:47Z) - Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation [0.05597620745943382]
ゼロショット視覚言語モデル (Zero-shot Vision-Language Model, VLMs) は、腫瘍容積のデライン化のためのタスク特化トレーニングに代わる、迅速な代替手段を提供する。
我々は,VoxTell内腫瘍データセットのアライメント方向について検討した。
アライメント分析により、解剖学的位置がVoxTellの空間的注意の主役であることが判明した。
論文 参考訳（メタデータ） (2026-05-02T05:49:32Z) - Distilling Self-Consistency into Verbal Confidence: A Pre-Registered Negative Result and Post-Hoc Rescue on Gemma 3 4B [0.0]
インストラクトチューニングされた小さなLLMは、最小の誘引の下で変性した言語的信頼を生み出す。
自信条件付き教師付き微調整と自己整合性に基づく目標が内部情報と音声読取のギャップを埋めるかどうかを検証した。
論文 参考訳（メタデータ） (2026-04-27T05:53:26Z)
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。