論文の概要: GeoTTER: Leveraging Local Geometry of Optimal Transport for Zero-Shot Classification
- arxiv url: http://arxiv.org/abs/2609.13518v1
- Date: Fri, 11 Sep 2026 20:38:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.373158
- Title: GeoTTER: Leveraging Local Geometry of Optimal Transport for Zero-Shot Classification
- Title（参考訳）: GeoTTER: ゼロショット分類のための最適輸送の局所幾何学の活用
- Abstract要約: GeoTTERはゼロショット分類の領域で最適なトランスポートを再定義する新しいフレームワークである。
OTTERに比べて+6.82%、+2.13%の中央値の改善により、GeoTTERは様々なベンチマークで堅牢な改善を示している。
- 参考スコア（独自算出の注目度）: 6.57308991987631
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present GeoTTER, a novel framework that redefines optimal transport in the realm of zero-shot classification. Conventional methods often suffer from miscalibration and a lack of adaptability, as they rely on fixed cost matrices derived solely from pre-trained model embeddings. In contrast, GeoTTER addresses these limitations by incorporating two key techniques. First, to alleviate high-frequency label jaggedness (sample-level manifold jitter that assigns neighboring embeddings to different classes), GeoTTER integrates local geometric structure into the optimal transport formulation via graph-Laplacian smoothing, a technique grounded in spectral graph theory that enforces neighborhood consistency. Second, to correct coherent angular drift (a low-frequency orientation bias in which large groups of samples share the same angular offset from their true label prototypes), we fuse clustering-guided cost components with a globally adjusted transport cost, achieving a multi-objective optimization that respects both global distribution constraints and latent data structure. With a median improvement of +6.82% compared to zero-shot and +2.13% compared to OTTER, GeoTTER shows robust improvements across a diverse set of benchmarks.
- Abstract（参考訳）: ゼロショット分類の領域で最適なトランスポートを再定義する新しいフレームワークであるGeoTTERを提案する。
従来の手法は、事前訓練されたモデル埋め込みから派生した固定コスト行列に依存するため、しばしば誤校正と適応性の欠如に悩まされる。
対照的にGeoTTERは2つの重要なテクニックを取り入れることで、これらの制限に対処する。
まず、高周波ラベルジャグネス(近傍の埋め込みを異なるクラスに割り当てるサンプルレベル多様体ジッタ)を緩和するために、GeoTTERは局所幾何学構造をグラフ-ラプラシアン滑らか化(英語版)による最適輸送定式化に統合する。
第2に、コヒーレントな角のドリフト(大規模なサンプル群が真のラベルのプロトタイプと同一の角のオフセットを共有する低周波指向バイアス)を補正するために、クラスタリング誘導型コストコンポーネントをグローバルに調整された輸送コストで融合し、グローバルな分散制約と潜在データ構造の両方を尊重する多目的最適化を実現する。
OTTERに比べて+6.82%、+2.13%の中央値の改善により、GeoTTERは様々なベンチマークで堅牢な改善を示している。
関連論文リスト
- 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) - CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。
ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
論文 参考訳（メタデータ） (2026-07-03T09:36:02Z) - Towards Federated Long-Tailed Graph Learning: An Energy-Guided Dual Decoupling Approach [10.914852410153921]
我々は、トポロジ的浄化とセマンティックリカバリを分離した二重疎結合パラダイムに基づくフレームワークであるFedEPDを提案する。
FedEPDは様々な長い尾のベンチマークで最先端のパフォーマンスを達成し、精度は4.97%、マクロF1は5.48%まで向上した。
論文 参考訳（メタデータ） (2026-06-23T07:25:40Z) - SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。
SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-15T07:26:54Z) - MRGeo: Robust Cross-View Geo-Localization of Corrupted Images via Spatial and Channel Feature Enhancement [15.9788448312641]
クロスビュージオローカライゼーション (CVGL) は、対応するジオタグ付き衛星画像の検索により、ストリートビュー画像を正確にローカライズすることを目的としている。
以前の研究は、特定の標準データセット上でほぼ完璧なパフォーマンスを達成したが、現実の腐敗した環境での堅牢性は、まだ未調査のままである。
汚職下での堅牢なCVGLのための最初の体系的手法であるMRGeoを紹介する。
論文 参考訳（メタデータ） (2026-03-13T02:37:43Z) - Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining [10.091031517157411]
TopoOTはトポロジ対応の最適なトランスポート(OT)フレームワークである。
多重フィルタ永続図(PD)とテスト時間適応(TTA)を統合する。
TopoOTは2Dおよび3D異常検出ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-01-28T07:49:28Z) - Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation [109.13471554184554]
最適輸送(OT)距離最小化問題としてデータセット蒸留を再構成する。
OTは分布マッチングのための幾何学的に忠実なフレームワークを提供する。
提案手法は, 常に最先端の手法を効率よく上回っている。
論文 参考訳（メタデータ） (2025-11-29T04:04:05Z) - Accelerating Distributed Optimization: A Primal-Dual Perspective on Local Steps [4.471962177124311]
分散機械学習では、異なるデータを持つ複数のエージェントにまたがる線形変数が大きな課題となる。
本稿では,原変数上のラグランジアン収束を実現するフレームワークは,エージェント間通信を必要としないことを示す。
論文 参考訳（メタデータ） (2024-07-02T22:14:54Z) - InfoOT: Information Maximizing Optimal Transport [58.72713603244467]
InfoOTは最適な輸送の情報理論の拡張である。
幾何学的距離を最小化しながら、ドメイン間の相互情報を最大化する。
この定式化は、外れ値に対して堅牢な新しい射影法をもたらし、目に見えないサンプルに一般化する。
論文 参考訳（メタデータ） (2022-10-06T18:55:41Z) - Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD
for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
ローカル手法は通信時間を短縮する有望なアプローチの1つである。
局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-12T15:12:17Z)
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。