論文の概要: Catching the Imposter: Self-Supervised Learning of Physical Coherence with Cross-Entity Feature Permutations

• arxiv url: http://arxiv.org/abs/2608.14372v1
• Date: Fri, 14 Aug 2026 15:15:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.416092
• Title: Catching the Imposter: Self-Supervised Learning of Physical Coherence with Cross-Entity Feature Permutations
• Title（参考訳）: インポスタのキャッシング:クロスエンティティな特徴置換による物理的コヒーレンスの自己教師付き学習
• Abstract要約: 我々は、あるエンティティの特徴のサブセットを他のエンティティから寄贈された実際の観察に置き換える差別的なプレテキストタスクを導入する。 寄付されたすべての値は個別に妥当であるため、タスクは機能横断的な物理的依存関係を学ぶことでのみ解決できる。 本研究は,共有建築下での地表面モデリングのための自己監督対象の体系的比較を,我々の知る限り初めて行ったものである。
• 参考スコア（独自算出の注目度）: 1.3663949573259215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific data often describe entities whose features are jointly governed by the laws of physics, yet existing self-supervised learning (SSL) objectives largely ignore this physical coherence. We introduce imposter, a discriminative pretext task that replaces subsets of an entity's features with real observations donated by another entity and trains the encoder to identify the swapped features. Because every donated value is individually plausible, the task can only be solved by learning cross-feature physical dependencies. We evaluate the proposed objectives on global ERA5-Land reanalysis data using 21 environmental variables and assess the learned representations on seven downstream tasks spanning climate classification, carbon flux estimation, and streamflow prediction. Our study includes, to our knowledge, the first systematic comparison of self-supervised objectives for land-surface modeling under a shared architecture and pre-training budget. We find that the most effective pretext task depends on the downstream task family rather than any single objective's superiority, and that imposter provides complementary information when combined with existing SSL objectives. These results suggest that physical coherence is a valuable new source of self-supervision for scientific foundation models.
• Abstract（参考訳）: 科学データはしばしば物理学の法則によって特徴が共同で支配されるエンティティを記述するが、既存の自己監督学習(SSL)の目的はこの物理的一貫性をほとんど無視している。 我々は、エンティティの特徴のサブセットを他のエンティティから寄贈された実際の観察に置き換え、交換された特徴を特定するためにエンコーダを訓練する差別的なプレテキストタスクであるImposterを紹介する。 寄付されたすべての値は個別に妥当であるため、タスクは機能横断的な物理的依存関係を学ぶことでのみ解決できる。 21の環境変数を用いた地球規模のERA5-Land再分析データの評価を行い, 気候分類, 炭素フラックス推定, ストリームフロー予測にまたがる7つの下流タスクの学習表現を評価した。 我々の知る限りでは、共有アーキテクチャと事前学習予算の下での地表面モデリングのための自己監督目的の最初の体系的比較を含む。 最も効果的な前提文タスクは、単一目的の優越性よりも下流タスクファミリに依存しており、既存のSSL目標と組み合わせて補完的な情報を提供する。 これらの結果は、物理コヒーレンスが科学基盤モデルのための自己超越の貴重な新たな源であることを示唆している。

関連論文リスト

• Revisiting Salient Object Detection from an Observer-Centric Perspective [48.99721284788945]
  そこで我々は,視覚的手がかりだけでなく,その嗜好や意図など,観察者固有の要因を考慮し,有意な領域を予測できるオブザーバ中心の有意物体検出(OC-SOD)を提案する。 結果として、この定式化は本質的なあいまいさと人間の知覚の多様性を捉え、パーソナライズされ、文脈に合ったサリエンシの予測を可能にする。
  論文  参考訳（メタデータ） (2026-02-06T03:53:01Z)
• EscherVerse: An Open World Benchmark and Dataset for Teleo-Spatial Intelligence with Physical-Dynamic and Intent-Driven Understanding [56.89359230139883]
  本稿では,Teleo-Spatial Intelligence(TSI)について紹介する。 本稿では、大規模なオープンワールドベンチマーク(Escher-Bench)、データセット(Escher-35k)、モデル(Escherシリーズ)からなるEscherVerseを紹介する。 これはIntent-Driven Reasoningを体系的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-01-04T14:42:39Z)
• Object-Centric World Models for Causality-Aware Reinforcement Learning [13.063093054280946]
  カルーサリティ対応強化学習(ASTICA)を用いたEmph Transformer Imaginationを提案する。 オブジェクト中心のトランスフォーマーが世界モデルおよび因果対応ポリシーおよびバリューネットワークとして機能する統合フレームワーク。 オブジェクトリッチベンチマークの実験では、STICAはサンプル効率と最終性能の両方において、最先端のエージェントよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-11-18T08:53:09Z)
• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• Unifying Self-Supervised Clustering and Energy-Based Models [9.3176264568834]
  自己教師付き学習と生成モデルとの間には,原則的な関連性を確立する。 シンボル接地問題の単純かつ非自明なインスタンス化に対処するために,我々の解法をニューロシンボリックな枠組みに統合できることが示される。
  論文  参考訳（メタデータ） (2023-12-30T04:46:16Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Towards Self-Supervised Learning of Global and Object-Centric Representations [4.36572039512405]
  自己スーパービジョンを用いた構造化対象中心表現の学習における重要な側面について論じる。 CLEVRデータセットに関するいくつかの実験を通じて、私たちの洞察を検証します。
  論文  参考訳（メタデータ） (2022-03-11T15:18:47Z)
• Object Pursuit: Building a Space of Objects via Discriminative Weight Generation [23.85039747700698]
  視覚学習と理解のためのオブジェクト中心表現を継続的に学習するフレームワークを提案する。 我々は、オブジェクト中心の表現を学習しながら、オブジェクトとそれに対応するトレーニング信号の多様なバリエーションをサンプリングするために、インタラクションを活用する。 提案するフレームワークの重要な特徴について広範な研究を行い,学習した表現の特徴を分析した。
  論文  参考訳（メタデータ） (2021-12-15T08:25:30Z)
• Reinforcement Learning for Sparse-Reward Object-Interaction Tasks in a First-person Simulated 3D Environment [73.9469267445146]
  高忠実な3Dシミュレーション環境において、AI2Thorのような一対一のオブジェクトインタラクションタスクは、強化学習エージェントに顕著なサンプル効率の課題をもたらす。 補助的なタスクとして注意的オブジェクトモデルを学ぶことで、監督なしに、ゼロからオブジェクトインタラクションタスクを学習できることが示される。
  論文  参考訳（メタデータ） (2020-10-28T19:27:26Z)

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。