論文の概要: Absorbing Gradient Conflicts: Modeling Semantic Variance via Kent Distributions for Cross-Modal Hashing

• arxiv url: http://arxiv.org/abs/2608.24010v1
• Date: Tue, 25 Aug 2026 03:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.768217
• Title: Absorbing Gradient Conflicts: Modeling Semantic Variance via Kent Distributions for Cross-Modal Hashing
• Title（参考訳）: グラディエント・コンフリクトの吸収:クロスモーダル・ハッシュのためのケント分布による意味変動のモデル化
• Abstract要約: Kent-based Distributional Proxy Hashing (KDPH)は、プロキシ表現を静的点から超球上の柔軟な異方性Kent分布にシフトする新しいフレームワークである。 私たちの知る限りでは、KDPHはKentディストリビューションをクロスモーダルハッシュに導入する最初のフレームワークです。
• 参考スコア（独自算出の注目度）: 35.37008246669991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised proxy-based deep cross-modal hashing has become the dominant paradigm for large-scale retrieval. However, prevalent methods model class proxies as deterministic points in the embedding space. This rigid assumption causes severe gradient conflicts in multi-label scenarios, where gradient conflicts arising from label co-occurrence lead to severe gradient contention and optimization collapse. To resolve this, we propose Kent-based Distributional Proxy Hashing (KDPH), a novel framework that shifts proxy representation from static points to flexible anisotropic Kent distributions on the hypersphere. Unlike point proxies that must shift their positions to accommodate conflicting gradients, KDPH absorbs these conflicts by dynamically adjusting its directional variance. This allows the proxy to maintain a stable semantic mean direction while stretching to cover diverse label correlations. Furthermore, to ensure stable training of these geometric parameters, we derive a tailored loss function incorporating the Cayley transform to enforce strict orthogonality. To the best of our knowledge, KDPH is the first framework to successfully introduce the Kent distributions into cross-modal hashing. Experiments on three benchmark datasets demonstrate that KDPH mitigates proxy collapse and chaotic oscillation, significantly outperforms state-of-the-art methods. Code is available at https://github.com/Senmo996/KDPH-official-code.
• Abstract（参考訳）: プロキシベースのディープクロスモーダルハッシュが大規模検索の主流となっている。 しかし、一般的なメソッドは、埋め込み空間における決定論的な点としてクラスプロキシをモデル化する。 この厳密な仮定は、ラベル共起による勾配の衝突が重度の勾配の競合と最適化の崩壊を引き起こすマルチラベルシナリオにおいて深刻な勾配の衝突を引き起こす。 そこで本稿では,プロキシ表現を静的点から超球面上のフレキシブルな異方性Kent分布にシフトする新しいフレームワークであるKend-based Distributional Proxy Hashingを提案する。 対立する勾配に対応するために位置をシフトしなければならない点プロキシとは異なり、KDPHは方向の分散を動的に調整することでこれらの矛盾を吸収する。 これによりプロキシは、さまざまなラベル相関をカバーするためにストレッチしながら、安定したセマンティック平均方向を維持することができる。 さらに、これらの幾何パラメータの安定なトレーニングを確保するために、ケイリー変換を組み込んで厳密な直交を強制する調整された損失関数を導出する。 私たちの知る限りでは、KDPHはKentディストリビューションをクロスモーダルハッシュに導入する最初のフレームワークです。 3つのベンチマークデータセットの実験により、KDPHはプロキシ崩壊とカオス振動を緩和し、最先端の手法を著しく上回ることを示した。 コードはhttps://github.com/Senmo996/KDPH-official-codeで入手できる。

関連論文リスト

• Expanding SPHERE-JEPA: A Family of Statistical Regularizers for the Hypersphere [11.087393998848254]
  SSL(Self-Supervised Learning)では,単位超球面上の一様分布を明示的に強制することにより,表現の崩壊を防止することが実証された。 現在のフレームワークは通常、SIGReg(LeJEPAで使用される)やSUSReg(SPHEREJEPAで使用される)のようなスライスされた統計正規化器に依存している。 これにより、トレーニング勾配にプロジェクションのばらつきを注入し、最適化を安定化させ、収束を妨げる。 本研究では,これらのランダムな射影を解析的に統合することにより,決定論的最大平均離散性(MMD)が得られ,スライスされた手法のばらつきを回避できることを示す。
  論文  参考訳（メタデータ） (2026-06-16T07:10:05Z)
• 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)
• Dance Across Shifts: Forward-Facilitation Continual Test-Time Adaptation through Dynamic Style Bridging [65.11234199720428]
  継続的テスト時間適応(Continuous Test-Time Adaptation)は、デプロイメント後に発生する動的分散シフトを処理するために、知覚システムを強化することを目的としている。 動的スタイルブリッジと呼ばれる手法により,新しいフォワードファシリケーションパラダイムを導入する。 テスト期間中に、固有の生成バイアスを緩和し、これらのプロキシを入力データに適用するために、マルチレベルブリッジ機構を提案する。
  論文  参考訳（メタデータ） (2026-05-18T16:18:17Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Point-Identification of a Robust Predictor Under Latent Shift with Imperfect Proxies [22.609134964894363]
  我々は、同じ条件付きプロキシ分布を誘導する潜在等価クラス(LEC)を導入する。 LECは、同じ条件付きプロキシ分布を誘導する潜在共同創設者のグループとして定義される。 複数のドメインがプロキシ誘起LECを混合してロバスト予測器を形成する方法に十分な差異がある限り、ロバスト予測器の点同定は引き続き達成可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-16T11:52:35Z)
• BandPO: Bridging Trust Regions and Ratio Clipping via Probability-Aware Bounds for LLM Reinforcement Learning [49.25750348525603]
  BandPOは、信頼領域を動的で確率対応のクリッピング間隔に投影する統一理論演算子であるBandに取って代わる。 BandPOはカノニカルクリッピングやClip-Higherより一貫して優れ,エントロピー崩壊の軽減が図られている。
  論文  参考訳（メタデータ） (2026-03-05T08:03:05Z)
• A Statistical Side-Channel Risk Model for Timing Variability in Lattice-Based Post-Quantum Cryptography [0.0]
  タイミングサイドチャネルは、実装で対処する必要がある暗号にとって重要な脅威である。 格子ベースのスキームは、複雑な算術と制御フローの助けを借りて、秘密依存のタイミング可変を生成する。 制御された実行条件下での分布微分可能性の問題として, タイミングリークに対するシナリオベース統計リスクモデルを提案する。
  論文  参考訳（メタデータ） (2025-12-26T03:12:33Z)
• 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)
• Bridging Differential Privacy and Byzantine-Robustness via Model Aggregation [27.518542543750367]
  本稿では,差分プライバシーとビザンチネロバストネスという,連邦学習における対立する問題に対処することを目的とする。 標準メカニズムは送信DP、エンベロップスエンベロップスエンベロップスエンベロープ(エンベロップスエンベロープ、エンベロープエンベロープアグリゲーション)を追加し、ビザンツ攻撃を防御する。 提案手法の影響は, その頑健なモデルアグリゲーションによって抑制されていることを示す。
  論文  参考訳（メタデータ） (2022-04-29T23:37:46Z)

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。