論文の概要: Quantifying the Occult: A Comparative Study of Hindu and Buddhist Deities Using Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2609.27074v1
• Date: Tue, 22 Sep 2026 21:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.775525
• Title: Quantifying the Occult: A Comparative Study of Hindu and Buddhist Deities Using Machine Learning Methods
• Title（参考訳）: 呪文の定量化--機械学習を用いたヒンドゥー教と仏教徒の比較研究
• Abstract要約: 本研究では、ヒンドゥー教とヴァージュラーナ仏教の密教神格196柱の形態的・神学的相違を定量化するための二重行列計算アーキテクチャを提案する。 物理形態学は、新しい「カーディナリティ重み付け」アルゴリズムによって強化された離散ガウワー距離行列を用いて評価される。 神学的関数は、Large Language Model (LLM)セマンティック展開から生成される密度の高いベクトル埋め込みによってマッピングされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study introduces a dual-matrix computational architecture to mathematically quantify the morphological and theological divergence of 196 Hindu and Vajrayana Buddhist esoteric deities. Physical morphology is evaluated via a discrete Gower distance matrix enhanced by a novel "Cardinality Weighting" algorithm, while theological function is mapped via dense vector embeddings generated from Large Language Model (LLM) semantic expansions, explicitly utilized as a synthetic proxy to mitigate circular reasoning. The multi-modal topological projections provide algorithmic validation of "iconographic camouflage", demonstrating how distinct visual forms structurally obscure shared cross-tradition functions. Furthermore, I computationally model the "Atin Effect" - serving simultaneously as a psychological observation of sequential cognitive bias and a machine learning benchmark - demonstrating how high-cardinality esoteric anchors (e.g., a veena or a severed head) override systemic theological disparities to mathematically cluster orthodox and Tantric entities. Cross-tradition spatial analysis establishes that the highest esoteric manifestations, such as the Hindu Chinnamasta and the Buddhist Chinnamunda, share a near-identical mathematical coordinate across both visual ($D_G = 0.288$) and semantic ($D_C = 0.068$) boundaries, indicating a 1:1 esoteric transfer. By open-sourcing this architecture, I provide a scalable, unsupervised machine learning tool for Digital Humanities scholars and comparative theologians to rigorously map latent structural continuities across qualitative cultural corpora.
• Abstract（参考訳）: 本研究は、ヒンドゥー教とヴァージュラーナ仏教の密教神196体の形態的・神学的分岐を数学的に定量化するための二重行列計算アーキテクチャを導入する。 物理形態学は、新しい「カーディナリティ重み付け」アルゴリズムによって強化された離散ガウワー距離行列を用いて評価される一方、神学的機能は、大言語モデル(LLM)のセマンティック展開から生成される密接なベクトル埋め込みによってマッピングされ、円の推論を緩和するための合成プロキシとして明示的に活用される。 マルチモーダル・トポロジ・プロジェクションは「図形カモフラージュ (iconographic camouflage)」のアルゴリズムによる検証を提供する。 さらに、私は、逐次認知バイアスと機械学習ベンチマークの心理的観察を同時に行う"Atin Effect"を計算的にモデル化します。 クロストラディション空間分析は、ヒンドゥー教のチナマスタや仏教のチナムンダのような最も高い密教の表現は、視覚的(D_G = 0.288$)と意味的(D_C = 0.068$)の境界の両方にほぼ同一の数学的座標を共有しており、1:1の密教の移動を示していることを証明している。 このアーキテクチャをオープンソース化することで、デジタルヒューマニティの学者や比較神学者のためにスケーラブルで教師なしの機械学習ツールを提供し、質的な文化的コーパスに潜在する構造的連続性を厳密にマッピングします。

関連論文リスト

• HyNeuralMap: Hyperbolic Mapping of Visual Semantics to Neural Hierarchies [17.083949966897414]
  HyNeuralMapは、ビジュアルセマンティクスを共有オブジェクト間のニューラルネットワーク階層にマッピングするフレームワークである。 HyNeuralMapは、最先端のユークリッドベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-10T07:38:41Z)
• Persistent Topological Structures and Cohomological Flows as a Mathematical Framework for Brain-Inspired Representation Learning [0.0]
  本稿では,脳に触発された表現学習のための数学的に厳密な枠組みを提案する。 代数トポロジーと微分幾何学を統合し、勾配に基づく学習を一般化するコホモロジー作用素を構成する。 実験結果から, このモデルでは, グラフニューラルおよび多様体に基づくディープアーキテクチャと比較して, 優れた多様体の整合性と耐雑音性が得られることが示された。
  論文  参考訳（メタデータ） (2025-12-09T04:48:50Z)
• A Geometry-Aware Algorithm to Learn Hierarchical Embeddings in Hyperbolic Space [7.7260493962461405]
  ハイパーボリック埋め込みは、データがツリーのようなグラフとして抽象化される場合、競合的なパフォーマンスを提供する。 実際、双曲空間とユークリッド空間の間の幾何学の違いから、階層データの双曲埋め込みを学習することは困難である。
  論文  参考訳（メタデータ） (2024-07-23T16:56:59Z)
• Learning Visual-Semantic Subspace Representations [49.17165360280794]
  我々は,自己教師型学習に有効な情報理論の原理を基礎として,核ノルムに基づく損失関数を導入する。 この損失の理論的特徴として、クラス性の促進に加えて、部分空間格子内のデータのスペクトル幾何学を符号化していることを示す。
  論文  参考訳（メタデータ） (2024-05-25T12:51:38Z)
• Accelerating Scientific Discovery with Generative Knowledge Extraction, Graph-Based Representation, and Multimodal Intelligent Graph Reasoning [0.0]
  我々は1000の科学論文からなるデータセットを、オントロジ知識グラフに変換した。 我々はノード度を計算し、コミュニティと接続性を同定し、クラスタリング係数とピボットノード間の重心性を評価した。 グラフは本質的に無スケールの性質を持ち、高連結であり、グラフ推論に使用できる。
  論文  参考訳（メタデータ） (2024-03-18T17:30:27Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Formalising Concepts as Grounded Abstractions [68.24080871981869]
  このレポートは、表現学習が生データから概念を誘導する方法を示しています。 このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
  論文  参考訳（メタデータ） (2021-01-13T15:22:01Z)

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。