論文の概要: SDO: Subspace Deconflicting Operator for Multi-Adapter Composition

• arxiv url: http://arxiv.org/abs/2608.13820v1
• Date: Thu, 13 Aug 2026 23:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.223332
• Title: SDO: Subspace Deconflicting Operator for Multi-Adapter Composition
• Title（参考訳）: SDO: マルチアダプタ構成のためのサブスペース分割演算子
• Abstract要約: マルチアダプタ合成のためのtextbfSubspace textbfDeconflicting textbfOperator を提案する。 SDOは恒常的にアイデンティティの忠実度と構成安定性を向上し、共同構成アダプタの数が増加するにつれて、特に顕著な利得を得る。
• 参考スコア（独自算出の注目度）: 16.03409840916151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composing independently trained adapters within a shared diffusion backbone provides a modular approach to multi-character generation, but naive joint deployment often causes identity mixing, cross-character attribute leakage, and unstable scene composition. We study this interference from a parameter-space perspective and hypothesize that it arises partly from conflicts between overlapping dominant subspaces in shared layers. To address this issue, we propose \textbf{SDO}, a \textbf{S}ubspace \textbf{D}econflicting \textbf{O}perator for multi-adapter composition. SDO reconstructs layer-wise low-rank updates from the selected adapters, extracts compact subspace signatures, measures pairwise conflict through output-subspace overlap, and applies a permutation-equivariant transformation that suppresses harmful shared directions while retaining identity-specific characteristics. The resulting representations are mapped back to standard adapter updates and can be directly incorporated into existing diffusion inference pipelines. Experiments demonstrate that SDO consistently improves identity fidelity and compositional stability, with particularly clear gains as the number of jointly composed adapters increases.
• Abstract（参考訳）: 共有拡散バックボーン内で独立に訓練されたアダプタを構成することは、マルチキャラクタ生成に対するモジュラーアプローチを提供するが、単純で結合的なデプロイは、ID混合、クロスキャラクタ属性のリーク、不安定なシーン構成を引き起こすことが多い。 この干渉をパラメータ空間の観点から研究し、共有層における重なり合う支配部分空間間の衝突から生じるという仮説を立てる。 この問題に対処するため、マルチアダプタ合成のための \textbf{S}ubspace \textbf{D}econflicting \textbf{O}perator を提案する。 SDOは、選択したアダプタから階層的に低ランクな更新を再構築し、コンパクトなサブスペースシグネチャを抽出し、出力-サブスペースオーバーラップを通じてペアワイズコンフリクトを測定し、アイデンティティ固有の特性を維持しながら有害な共有方向を抑圧する置換-同変変換を適用する。 結果として得られた表現は、標準アダプタ更新にマッピングされ、既存の拡散推論パイプラインに直接組み込むことができる。 実験により、SDOは恒常的にアイデンティティの忠実度と構成安定性を向上し、共同構成アダプタの数が増加するにつれて特に顕著に向上することが示された。

関連論文リスト

• Shift-Dependent Asymmetry: Orthogonal Inverse Low-Rank Adaptation for Federated Medical Segmentation [60.41721951405564]
  Low-Rank Adaptation (LoRA)は、医療画像のためのセグメンテーション基盤モデルの効率的なフェデレーション微調整を可能にする。 ほとんどの連合LoRA法は、医学的セグメンテーションにおいてエンコーダ-デコーダ非対称性の下で破れる一様アグリゲーション規則を採用している。 このミスマッチの絡み合いは、サイト固有のバイアスと解剖を共有し、一般化を損なう。 本稿では,効率的な更新空間における共有局所コリニアリティを罰する部分空間直交正規化器を提案する。
  論文  参考訳（メタデータ） (2026-06-07T15:39:28Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Empowering Heterogeneous Graph Foundation Models via Decoupled Relation Alignment [20.128308877213044]
  Decoupled Relation Subspace Alignment (DRSA)は、新しいプラグアンドプレイ関係駆動フレームワークである。 特徴的意味論を関係構造から切り離すことによってパラダイムを根本的にシフトさせる。 ユニバーサルプリプロセッシングモジュールとしてシームレスに統合することができる。
  論文  参考訳（メタデータ） (2026-05-01T15:31:36Z)
• Pairing Regularization for Mitigating Many-to-One Collapse in GANs [11.064613023526745]
  本稿では,多対一の崩壊を緩和するために,ジェネレータと共同最適化されたペアリング正規化器を提案する。 ペアリング正則化の効果は、トレーニングの主流となる障害モードに依存することを示す。
  論文  参考訳（メタデータ） (2026-04-22T02:57:30Z)
• REZE: Representation Regularization for Domain-adaptive Text Embedding Pre-finetuning [5.853890728403084]
  最近のテキストモデルは、散在する不均一なタスクのコレクション上で、対照的な事前ファインタニング(PFT)によって、しばしば特殊ドメインに適合する。 このアプローチは多くの場合、ドメイン知識と並行してタスクによって引き起こされるバイアスを導入し、制御されていない表現シフトをもたらす。 埋め込み前ファインタニング中の表現シフトを明示的に制御する表現正規化フレームワークであるRを提案する。
  論文  参考訳（メタデータ） (2026-04-19T04:41:55Z)
• PivotMerge: Bridging Heterogeneous Multimodal Pre-training via Post-Alignment Model Merging [80.17966517536102]
  マルチモーダル大規模言語モデルの事前学習の核心は、効果的なクロスモーダルアライメントの確立にあると論じる。 この知見に触発されて,マルチモーダル事前学習から学んだクロスモーダルアライメント機能を統合することを目的とした,アライメント後のマージタスクを導入する。 クロスモーダルプロジェクタのためのアライメント後マージフレームワークであるPivotMergeを提案する。
  論文  参考訳（メタデータ） (2026-04-18T09:38:03Z)
• PICS: Pairwise Image Compositing with Spatial Interactions [20.306534705755613]
  PICSは、オブジェクトを並列に構成する自己教師型合成分解パラダイムである。 インタラクショントランスフォーマーは、バックグラウンド、排他的、重複する領域をルーティングするために、マスク誘導ミキサーを使用する。 幾何学的変動に対するロバスト性をさらに高めるため、平面外と平面内の両方のポーズ変化をカバーする幾何学的付加を取り入れた。
  論文  参考訳（メタデータ） (2026-03-06T20:48:21Z)
• Modality-Guided Mixture of Graph Experts with Entropy-Triggered Routing for Multimodal Recommendation [6.815406906400871]
  マルチモーダルレコメンデーションは、ユーザ-イテムインタラクションとアイテムコンテンツを統合することでランキングを強化する。 既存のアプローチは、しばしば共有融合経路に依存し、絡み合った表現とモダリティの不均衡をもたらす。 マルチモーダルレコメンデーションのためのプログレッシブエントロピートリガー付きルーティングを用いた適応グラフエキスパートネットワークのモダリティ誘導混合を提案する。
  論文  参考訳（メタデータ） (2026-02-24T09:36:45Z)
• Asymmetric Hierarchical Anchoring for Audio-Visual Joint Representation: Resolving Information Allocation Ambiguity for Robust Cross-Modal Generalization [19.721857318111734]
  指向性情報アロケーションを強制するための非対称階層的アンコリング(AHA)を提案する。 我々は、脆弱な相互情報推定装置を、意味的漏洩を明示的に抑制するGRLベースの逆分離器に置き換える。 AHAは、クロスモーダル移動において対称基底線を一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-03T14:14:03Z)
• Rethinking Transferable Adversarial Attacks on Point Clouds from a Compact Subspace Perspective [55.919842734983156]
  CoSAは、共有された低次元セマンティック空間内で機能する転送可能なアタックフレームワークである。 CoSAは、最先端のトランスファー可能な攻撃を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-30T15:48:11Z)
• SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
  SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。 対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-03T11:24:06Z)
• Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification [88.79480792084995]
  本稿では,ID関連・非関連特徴を解き放つ共同学習フレームワークを提案し,ID関連特徴空間にのみ適応を強制する。 我々のモデルは、ドメイン間の画像を共有外観空間と2つの別々の構造空間にエンコードするアンタングルモジュールと、共有外観空間上で対角アライメントと自己学習を行う適応モジュールを含む。
  論文  参考訳（メタデータ） (2020-07-20T17:57:02Z)

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。