論文の概要: Unsupervised Latent Space Alignment with Hyperspherical Geodesic Matching

• arxiv url: http://arxiv.org/abs/2608.28840v1
• Date: Fri, 28 Aug 2026 20:22:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.764908
• Title: Unsupervised Latent Space Alignment with Hyperspherical Geodesic Matching
• Title（参考訳）: 超球面ジオデシックマッチングによる非教師なし潜在空間アライメント
• Authors: Cameron Ryan, Vivek Sivaraman Narayanaswamy, Kowshik Thopalli, Shusen Liu,
• Abstract要約: HGAは、2つの潜在空間間の変換を最適化する手法であり、それらの間の「適合」の幾何学的測度を最大化する。 無監督体制と弱監督体制の両方で運用することができる。 モデル縫合や多言語単語埋め込み対応回復などのタスクでは、HGAは教師付き結果に最小あるいは無監督で一致させる。
• 参考スコア（独自算出の注目度）: 14.1760167030233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Independently trained neural networks tend to encode the same data with similar latent geometries. These latent geometries are not directly compatible, yet they can be nearly the same up to some class of transformations. While there exists many methods for alignment between different latent spaces, it is typically done using a set of shared sample correspondences, known as anchors. This leaves a fundamental question: are the geometric signatures of different latent spaces representing similar data sufficient to recover an alignment between them? To that end, we introduce HGA (Hyperspherical Gaussian Alignment), a method that directly optimizes a transformation between two latent spaces by maximizing a geometric measure of "fit" between them. Since it is driven by the geometry of the latent spaces rather than paired data, HGA can operate in both an unsupervised and weakly supervised regime. On tasks such as model stitching or multilingual word embedding correspondence recovery, HGA manages to match supervised results with minimal or no supervision.
• Abstract（参考訳）: 独立に訓練されたニューラルネットワークは、同じデータを同様の潜在ジオメトリでエンコードする傾向がある。 これらの潜在測地は直接互換ではないが、ある種の変換とほぼ同じである。 異なるラテント空間間のアライメントのための多くの方法が存在するが、典型的にはアンカーとして知られる共有サンプル対応の集合を用いて行われる。 異なる潜在空間の幾何学的シグネチャは、それらの間のアライメントを回復するのに十分な類似データを表していますか? そのために,HGA(Hyperspherical Gaussian Alignment)を導入し,その間の「適合性」の幾何学的測度を最大化することにより,2つの潜在空間間の変換を直接最適化する手法を提案する。 ペア化されたデータではなく、潜在空間の幾何学によって駆動されるため、HGAは教師なしと弱教師なしの両方で操作できる。 モデル縫合や多言語単語埋め込み対応回復などのタスクでは、HGAは教師付き結果に最小あるいは無監督で一致させる。

関連論文リスト

• Rank-Aware Hyperbolic Alignment for Vision-Language Dataset Distillation [54.74045834035952]
  視覚言語データセット蒸留(VLDD)は、大きな画像テキストのペア化されたデータセットを小さな合成ペアに圧縮する。 階層幾何学と明示的なアライメント・キャパシティ制御を組み合わせたランク認識型双曲アライメント(RAHA)を提案する。 RAHAは、競争力のあるクロスモーダル検索と、固定予算下での転送インジケータの改善を示す。
  論文  参考訳（メタデータ） (2026-06-28T15:41:31Z)
• Multi-Way Representation Alignment [19.53606443098969]
  地図表現の現在の戦略は本質的にペアワイズであり、モデルの数と二次的にスケーリングし、一貫したグローバル参照を得られない。 我々はまず、モデル縫合のようなタスクに不可欠な内部幾何学を保存した共有宇宙を構築するために、一般化されたプロクリスト解析(GPA)を適用した。 次に、厳密な等尺的アライメントが検索に最適であることを示す。そこでは、カノニカル相関解析(CCA)のような合意を最大化する手法が一般的である。 このギャップを埋めるために、我々はついにGeometry-Corrected Procrustes Alignment (GCPA)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T21:33:45Z)
• Dense Semantic Matching with VGGT Prior [49.42199006453071]
  本稿では,VGGTの本質的な強みを,初期の特徴段階を再利用し,後続の特徴段階を微調整し,双方向対応のための意味的頭部を追加することによって維持するアプローチを提案する。 提案手法は, 従来のベースラインよりも優れた幾何認識, 整合性, および多様体保存を実現する。
  論文  参考訳（メタデータ） (2025-09-25T14:56:11Z)
• Enforcing Latent Euclidean Geometry in Single-Cell VAEs for Manifold Interpolation [79.27003481818413]
  離散的様相変分オートエンコーダの潜在多様体をユークリッド幾何学へ正規化する訓練フレームワークであるFlatVIを紹介する。 遅延空間の直線を復号化された単セル多様体上の測地線に近似させることで、FlatVIは下流アプローチとの整合性を高める。
  論文  参考訳（メタデータ） (2025-07-15T23:08:14Z)
• GMapLatent: Geometric Mapping in Latent Space [51.317738404571514]
  エンコーダ-デコーダAIアーキテクチャに基づくドメイン間の生成モデルは、現実的な画像の生成に大きな注目を集めている。 幾何学的マッピングに基づく正準潜在空間表現を導入し、領域間潜在空間を厳密かつ正確に整列する。 グレースケールおよびカラー画像の実験は、GMapLatentの有効性、有効性および適用性を検証する。
  論文  参考訳（メタデータ） (2025-03-30T12:02:36Z)
• Neural Spacetimes for DAG Representation Learning [23.54420278189682]
  我々はニューラル時空と呼ばれる訓練可能な深層学習型ジオメトリのクラスを提案する。 グラフエッジの重みとその空間次元と因果関係を、その時間次元におけるエッジ方向の形でエンコードする。 我々の理論的な保証は普遍埋め込み定理であり、任意の$k$-point DAGを1+mathcalO(log(k))$歪みを持つNSTに埋め込むことができることを示す。
  論文  参考訳（メタデータ） (2024-08-25T16:26:55Z)
• Disentangled Representation Learning with the Gromov-Monge Gap [65.73194652234848]
  乱れのないデータから歪んだ表現を学習することは、機械学習における根本的な課題である。 本稿では,2次最適輸送に基づく非交叉表現学習手法を提案する。 提案手法の有効性を4つの標準ベンチマークで示す。
  論文  参考訳（メタデータ） (2024-07-10T16:51:32Z)
• GoMVS: Geometrically Consistent Cost Aggregation for Multi-View Stereo [45.5438546016874]
  我々は,GoMVSを提案し,幾何学的に一貫したコストを集約し,隣接したジオメトリをよりよく活用する。 提案手法はDTU, Tanks & Temple, ETH3Dデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-04-11T17:59:59Z)
• Relative representations enable zero-shot latent space communication [19.144630518400604]
  ニューラルネットワークは、高次元空間に横たわるデータ多様体の幾何学的構造を潜在表現に埋め込む。 ニューラルネットワークがこれらの相対表現をどのように活用して、実際に潜時等尺不変性を保証するかを示す。
  論文  参考訳（メタデータ） (2022-09-30T12:37:03Z)

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。