論文の概要: Breaking the Central Bias: Spatially Partitioned Experts for Coordinate-Based Neuroevolution
- arxiv url: http://arxiv.org/abs/2609.11518v1
- Date: Thu, 10 Sep 2026 13:22:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.368618
- Title: Breaking the Central Bias: Spatially Partitioned Experts for Coordinate-Based Neuroevolution
- Title（参考訳）: 中枢バイアスを打破する : 協調型神経進化の専門家の空間的分割
- Abstract要約: Evolvable-Substrate HyperNEATは診断ベンチマークとしてMNISTに障害モードを示す。
入力を重複しない空間セグメントに分割し、それぞれ個別に進化したスペシャリストネットワークに割り当てる。
13人の専門家によって、この設計は平均精度が43%に達し、ベースラインよりも106%向上した。
- 参考スコア（独自算出の注目度）: 0.5541644538483947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evolvable-Substrate HyperNEAT (ES-HyperNEAT), a bio-inspired indirect encoding that determines neuron placement and connection weights from spatial coordinates, exhibits a failure mode on MNIST as a diagnostic benchmark. Because input pixels map to a coordinate space centered at the origin, evolved networks converge on a small central cluster of input pixels, a spatial-concentration bias; prior work observed only 21% mean accuracy in this regime. Is this bias an optimization artifact or an architectural ceiling? Inspired by Mixture-of-Experts (MoE) principles, we partition the input into non-overlapping spatial segments, each assigned to a separately evolved specialist network. With 13 such experts, this design reaches 43% mean accuracy, a 106% relative improvement over the baseline. The architectural gain does not depend on data-driven aggregation: equal-weighted averaging, which uses no validation data, already yields a 70% improvement; the gain comes from partitioning, not the weighting. Receptive-field analysis shows the mechanism: partitioning forces evolution to discover features across the entire image, expanding active pixel coverage from 4% to 79%. Absolute accuracy stays below gradient-trained baselines, but the relative gain points to central bias, not the evolutionary search. Two tools are designed to generalize beyond MNIST: a receptive-field diagnostic for silent input-coverage collapse, and a spatial-partitioning remedy that restores coverage.
- Abstract（参考訳）: Evolvable-Substrate HyperNEAT (ES-HyperNEAT)は、バイオインスパイアされた間接符号化であり、空間座標からニューロンの配置と接続重みを決定する。
入力画素は原点を中心とする座標空間にマップされるため、進化したネットワークは、空間集中バイアスである入力画素の小さな中央クラスタに収束する。
このバイアスは最適化の成果物かアーキテクチャの天井か?
筆者らはMixture-of-Experts(MoE)の原理に触発され、入力を重複しない空間セグメントに分割し、それぞれ個別に進化したスペシャリストネットワークに割り当てる。
13人の専門家によって、この設計は平均精度が43%に達し、ベースラインよりも106%向上した。
検証データを使用しない等重平均化は、すでに70%の改善をもたらしており、重み付けではなくパーティショニングから得られる。
レセプティブフィールド分析は、このメカニズムを示している: 画像全体にわたる特徴を発見するために、分割の力によって進化し、アクティブなピクセルカバレッジを4%から79%に拡大する。
絶対精度は勾配訓練された基準線より低いが、相対的な利得は進化的探索ではなく中心バイアスを示している。
MNISTを超えて一般化する2つのツールが設計されており、サイレントインプット・カバーの崩壊に対する受容場診断と、カバーを回復する空間分割療法である。
関連論文リスト
- Curvature-Aware Radius Shrinkage for Adaptive Nearest Neighbor Classification [52.452902154360565]
CARSANNは、局所的な幾何学的複雑さに応じて各地区の空間的支持を適応する幾何学駆動のフレームワークである。
70以上の実世界のOpenMLデータセットの実験は、CARSANNが標準の$k$-NNで一貫して改善されていることを示している。
論文 参考訳（メタデータ） (2026-08-27T19:19:07Z) - FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳（メタデータ） (2026-07-13T14:10:01Z) - Evolving Spatial Weights for Cartographic Synthesis [34.00232821914697]
本研究では,空間自己相関構造に基づく地図合成の多目的定式化を提案する。
我々は,グローバル空間構造を最大化することにより,層重みを推定する双方向進化フレームワークGIS-moGAを開発した。
その結果,集団多様性の維持と早期収束の予防には高い突然変異率が重要であることが示された。
論文 参考訳（メタデータ） (2026-06-20T22:34:29Z) - Striding Across Reynolds Numbers: Representation Geometry in Neural PDE Generalisation [0.5451632647096261]
ニューラルPDE解法におけるクロスレイノルズ一般化は、いまだにあまり特徴づけられていない。
我々は、この仮説を、ソーストレーニングされた畳み込みオートエンコーダ潜在空間の状態と一致するConvAE-Relayを通して検証する。
実験では、整合がマニフォールド上に留まっている場合、ソース・レジームのダイナミックス方向が転送可能である(コサイン類似度0.84)ことが確認された。
論文 参考訳（メタデータ） (2026-05-28T15:49:26Z) - Sparse Goodness: How Selective Measurement Transforms Forward-Forward Learning [2.7010154811483162]
良さ関数の設計空間について検討し、どのアクティベーションを測るか、どのように集約するかを考察する。
我々は、最も活動的なニューロンのkのみを評価するトップクオリティを導入し、SoSを著しく上回っていることを示す。
我々は4x2000アーキテクチャでFashion-MNISTの87.1%の精度を達成し、SoSベースラインよりも30.7%改善した。
論文 参考訳（メタデータ） (2026-03-28T23:11:21Z) - Kernel Representation and Similarity Measure for Incomplete Data [55.62595187178638]
不完全データの類似性を測定することは、Webマイニング、レコメンデーションシステム、ユーザー行動分析において基本的な課題である。
従来のアプローチでは、不完全なデータを破棄するか、事前処理のステップとして計算を実行するかのいずれかであり、情報損失と類似性のバイアスが生じる。
本稿では,カーネルの特徴空間における不完全データ間の類似性を,元の空間における明示的な計算なしで直接計算する,新しい類似度尺度を提案する。
論文 参考訳（メタデータ） (2025-10-15T09:41:23Z) - Spatial regularisation for improved accuracy and interpretability in keypoint-based registration [5.286949071316761]
教師なしキーポイント検出に基づく最近のアプローチは、解釈可能性に非常に有望である。
本稿では,特徴量の空間分布を正規化するための3倍の損失を提案する。
我々の損失は特徴の解釈可能性を大幅に改善し、現在では正確で解剖学的に意味のあるランドマークに対応しています。
論文 参考訳（メタデータ） (2025-03-06T14:48:25Z) - Rethinking Spatial Invariance of Convolutional Networks for Object
Counting [119.83017534355842]
局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。
従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。
提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
論文 参考訳（メタデータ） (2022-06-10T17:51:25Z) - Clustering and classification of low-dimensional data in explicit
feature map domain: intraoperative pixel-wise diagnosis of adenocarcinoma of
a colon in a liver [0.10152838128195464]
本稿では,低次元データのヒルベルト空間内の低次元部分空間への近似的明示的特徴写像 (aEFM) 変換について検討する。
計算複雑性がわずかに増加すると、線形アルゴリズムは性能を改善し、解釈可能性を維持する。
論文 参考訳（メタデータ） (2022-03-07T11:56:06Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳（メタデータ） (2021-03-10T16:45:22Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳（メタデータ） (2020-12-25T14:58:35Z)
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。