論文の概要: Stable Unsupervised Continual Chunking with Sheaf SyncMap
- arxiv url: http://arxiv.org/abs/2609.25143v1
- Date: Mon, 21 Sep 2026 06:59:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.043811
- Title: Stable Unsupervised Continual Chunking with Sheaf SyncMap
- Title（参考訳）: Sheaf SyncMapによる安定型教師なし連続チャンク
- Abstract要約: 教師なし連続チャンキングは、機械学習と神経科学の基本的な問題である。
分散SyncMapにおける局所的不整合を低減するために, せん断正規化を提案する。
一対の変数間で距離依存的な放射運動をペナライズする放射層構造を導入する。
- 参考スコア（独自算出の注目度）: 5.721855749950785
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Unsupervised Continual chunking is a fundamental problem in machine learning and neuroscience, where the goal is to identify groups of states that frequently co-occur in temporal sequences. A key challenge is to form accurate chunks while maintaining their stability over time. In this work, we propose sheaf regularization to reduce local inconsistencies in Decentralized SyncMap, a self-organizing system, and thereby stabilize its chunking dynamics. We introduce a radial sheaf structure that penalizes distance-dependent radial motion between pairs of variables. Experimental results show that the proposed method achieves the highest normalized mutual information (NMI) among the evaluated SyncMap variants on 12 of 18 probabilistic Continual General Chunking Problem (CGCP) graphs with two-state memory and on 17 of 18 graphs with dynamic memory. In the sequential adaptation experiment, Sheaf SyncMap also achieves high NMI after shifts in the input distribution, indicating that it can adapt to new knowledge while avoiding the negative transfer commonly observed in modern machine learning systems such as neural networks.
- Abstract（参考訳）: 教師なし連続チャンキングは、機械学習と神経科学の基本的な問題であり、その目標は、しばしば時間的シーケンスで共起する状態のグループを特定することである。
重要な課題は、時間とともに安定性を維持しながら、正確なチャンクを形成することです。
本研究では,自己組織システムである分散SyncMapにおける局所的不整合を低減し,チャンキングダイナミクスを安定化させるため,せん断正則化を提案する。
一対の変数間で距離依存的な放射運動をペナライズする放射層構造を導入する。
実験結果から,提案手法は,2状態メモリの確率的連続一般チャンキング問題(CGCP)グラフと動的メモリの18グラフのうち17グラフにおいて,評価されたSyncMap変種のうち,最も高い正規化相互情報(NMI)を実現することが示された。
逐次適応実験では、Sheaf SyncMapは入力分布のシフト後の高いNMIも達成し、ニューラルネットワークのような現代の機械学習システムでよく見られる負の移動を避けながら、新しい知識に適応できることを示す。
関連論文リスト
- A Gradient-based yet Spike-Timing-Dependent Solution to the Feedback Learning Problem in Neural Microcircuits [43.880352532823956]
局所スパイクタイミングを用いた時間的クレジット割り当てをニューラルマイクロサーキット(NMC)がどのように解決するかは、根本的なオープンな疑問である。
ここでは、状態分離問題として時間的クレジット割り当てを再構成する。
これにより、トンネル勾配(GT)アルゴリズムとリードラグ拡張技術により、NMCのオンラインフィードバック学習フレームワークが実現される。
実験的に、GTトレーニングされたNMCは、長期的エビデンス統合とノイズロストメモリ保持において優れている。
論文 参考訳（メタデータ） (2026-09-08T00:27:18Z) - MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。
MedMambaは線形計算複雑性を維持しながら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） (2026-05-24T09:23:39Z) - Hypergraph and Latent ODE Learning for Multimodal Root Cause Localization in Microservices [25.49822040345663]
クラウドネイティブなマイクロサービスシステムのローカライズには、複雑なサービス依存関係、不規則な時間的ダイナミクス、異種可観測データといったモデリングが必要になります。
本稿では,ハイパーグラフ注意学習,潜時常微分方程式,微粒な根本原因解析のための多モード相互注意融合を組み合わせた統合フレームワークHyperODE RCAを提案する。
論文 参考訳（メタデータ） (2026-05-01T02:18:57Z) - Krause Synchronization Transformers [63.8469912831803]
トランスフォーマーにおける自己注意は、グローバルに正規化されたソフトマックスの重みに依存しており、すべてのトークンがすべての層で影響を競う。
クラーズ・アテンション(Krause Attention)は、有界信頼コンセンサス・ダイナミクスにインスパイアされた注意機構である。
論文 参考訳（メタデータ） (2026-02-12T03:47:53Z) - Towards Remote Sensing Change Detection with Neural Memory [61.39582645714727]
ChangeTitansは、リモートセンシングによる変更検出のためのTitansベースのフレームワークである。
まず、ニューラルネットワークと局所的な注意をセグメント化して統合するVTitansを提案する。
次に,階層型VTitans-Adapterを提案する。
第3に、2ストリーム融合モジュールであるTS-CBAMを導入し、擬似変化を抑制し、検出精度を高める。
論文 参考訳（メタデータ） (2026-02-11T03:50:51Z) - STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。
4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
論文 参考訳（メタデータ） (2025-05-07T06:41:33Z) - Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。
本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
論文 参考訳（メタデータ） (2025-03-20T12:28:08Z) - A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network [9.031267813814118]
アテンションベースのトランスフォーマーは、長期依存を捕捉する能力により、無線センサネットワーク(WSN)のタイミング異常検出において重要な役割を担っている。
本稿では,周波数領域の特徴を動的グラフニューラルネットワーク(GNN)と統合したWSN異常検出手法を提案する。
論文 参考訳（メタデータ） (2025-02-25T04:34:18Z) - Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-14T02:26:10Z) - Modeling Irregular Time Series with Continuous Recurrent Units [3.7335080869292483]
観測時間間の不規則な時間間隔を処理するために,連続的再帰単位(CRU)を提案する。
我々はCRUがニューラル常微分方程式(neural ODE)に基づくモデルよりも不規則時系列を補間できることを示した。
また,本モデルでは,インエイジからダイナミックスを推測し,Kalmanの取得により,ノイズの多い観測結果から,有効な状態更新候補を効率よく抽出できることも示している。
論文 参考訳（メタデータ） (2021-11-22T16:49:15Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z)
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。