論文の概要: Hyperbolic Multimodal Continual Learning

• arxiv url: http://arxiv.org/abs/2608.09572v1
• Date: Mon, 10 Aug 2026 13:07:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.280925
• Title: Hyperbolic Multimodal Continual Learning
• Title（参考訳）: 双曲型マルチモーダル連続学習
• Abstract要約: この研究は双曲空間における表現保存の理論的基盤を提供する。 双曲型連続学習における忘れは意味的関係のドリフトと階層的関係の歪みの両方を伴っていることを示す。 本稿では,新しいタスクに効果的な適応を図りつつ,基本的な幾何学的構造を保ちながら学習を継続する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 90.3699346061366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperbolic geometry has recently emerged as a powerful representation space for multimodal learning, as it naturally captures hierarchical semantic structure across modalities. Despite this progress, how such representations behave under continual learning poses fundamentally different challenges that remain underexplored. This work provides a geometric perspective on this problem and establishes a theoretical foundation for representation preservation in hyperbolic space, showing that preventing forgetting requires cross-modal invariance under a shared hyperbolic isometry. We further show that forgetting in hyperbolic continual learning involves both semantic relation drift and hierarchy-related distortion, motivating preservation of both cross-modal relational structure and hierarchical geometry. Guided by these insights, a principled continual learning framework is derived that preserves essential geometric structure while allowing effective adaptation to new tasks. Experiments on continual multimodal benchmarks corroborate the effectiveness of the proposed approach.
• Abstract（参考訳）: 双曲幾何学は近年,多モーダル学習における強力な表現空間として出現し,多モーダル学習における階層的意味構造を自然に捉えている。 この進歩にもかかわらず、そのような表現が連続的な学習の下でどのように振る舞うかは、未熟なままの根本的な異なる課題を生じさせる。 この研究は、この問題に関する幾何学的視点を提供し、双曲空間における表現保存の理論的基礎を確立し、共有双曲等距離法の下では、忘れることを防ぐにはクロスモーダル不変性が必要であることを示す。 さらに,双曲型連続学習における忘れは意味的関係のドリフトと階層的関連の歪みの両方を伴い,相互関係構造と階層幾何学の両方の保存を動機付けていることを示す。 これらの知見に導かれて,本質的な幾何学的構造を保ちつつ,新たな課題への効果的な適応を可能にする,原則的連続学習フレームワークが導出される。 連続的マルチモーダルベンチマークの実験は、提案手法の有効性を裏付けるものである。

関連論文リスト

• AURORA: Contextual Orthogonalization for Geometric Representation Learning in Healthcare Foundation Models [1.7823291802496628]
  AURORA, Adaptive Uncertainty Representations through Orthogonalized observedal alignment。 AURORAは意味的部分空間を文脈的要素に分解し、各部分空間内の一貫性の目標を学習する。 コンテクストの混乱、近隣の純度、制度的な流通シフトの下で、コンテクストの再構築を継続的に上回り、実質的に改善する。
  論文  参考訳（メタデータ） (2026-05-18T02:32:50Z)
• Anisotropic Modality Align [91.23979617826926]
  マルチモーダルな大規模言語モデルの訓練は、高品質なペア型マルチモーダルデータの不足により、長い間制限されてきた。 近年の研究では、事前訓練されたマルチモーダルコントラストモデルの共有表現空間がブリッジとして機能し、非モーダルデータを用いたマルチモーダルトレーニングを可能にすることが示されている。 中心となる障害は、共有空間の永続的なモダリティギャップにある。
  論文  参考訳（メタデータ） (2026-05-08T14:53:24Z)
• When Does Structure Matter in Continual Learning? Dimensionality Controls When Modularity Shapes Representational Geometry [4.121514039516763]
  逐次的タスクパラダイムにおけるネットワークアーキテクチャ,タスク類似性,表現次元の共形学習について検討する。 本研究は, 構造的分離が機能的に関連性を持つようになると, 表現的次元性は, 構成的変数管理の鍵となる役割を担っていることを示唆する。
  論文  参考訳（メタデータ） (2026-04-30T09:50:01Z)
• TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
  手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。 マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。 また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
  論文  参考訳（メタデータ） (2026-03-10T10:19:42Z)
• Achieving Hyperbolic-Like Expressiveness with Arbitrary Euclidean Regions: A New Approach to Hierarchical Embeddings [9.614222676567385]
  本稿では,任意の幾何学的領域を埋め込み表現として用いることを支援するフレキシブルユークリッドフレームワークRegDを提案する。 RegDは、領域間の深さに基づく相似性を導入し、双曲幾何学の重要な性質をエミュレートすることで、双曲的表現性を実現する。 実世界の多様なデータセットに対する実証的な評価は、最先端の手法よりも一貫した性能向上を示す。
  論文  参考訳（メタデータ） (2025-01-29T09:44:03Z)
• Neuron: Learning Context-Aware Evolving Representations for Zero-Shot Skeleton Action Recognition [64.56321246196859]
  本稿では,dUalスケルトン・セマンティック・セマンティック・セマンティック・セマンティック・シンジスティック・フレームワークを提案する。 まず、時空間進化型マイクロプロトタイプを構築し、動的コンテキスト認識側情報を統合する。 本研究では,空間的圧縮と時間的記憶機構を導入し,空間的時間的マイクロプロトタイプの成長を導く。
  論文  参考訳（メタデータ） (2024-11-18T05:16:11Z)
• Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
  我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。 物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。 本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
  論文  参考訳（メタデータ） (2023-04-25T15:53:45Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)

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。