論文の概要: Training-Free Bottleneck Width Planning for Convolutional Autoencoders

• arxiv url: http://arxiv.org/abs/2609.30755v1
• Date: Fri, 25 Sep 2026 03:30:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.218317
• Title: Training-Free Bottleneck Width Planning for Convolutional Autoencoders
• Title（参考訳）: 畳み込み型オートエンコーダの訓練不要ボトルネック幅計画
• Abstract要約: マルチスケールスペクトル速度歪みは、訓練画像からユーザが供給する空間カットに必要なボトルネックチャネルを推定する。 その共分散テール規則は、正則誤差下での共有線形ブロック畳み込みオートエンコーダに対して正確である。 遅延サイズ予測は、非線形パッチ・オートエンコーダ境界に対して0.84%の平均絶対パーセンテージ誤差を有する。
• 参考スコア（独自算出の注目度）: 1.5990720051907859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiscale Spectral Rate-Distortion (MS-SRD) estimates the bottleneck channels required at user-supplied spatial cuts from training images and a normalized mean-squared error (NMSE) bound, without fitting a neural network. Its covariance-tail rule is exact for shared linear block-convolutional autoencoders under squared error. A nested-scale dominance result motivates reporting the activation-parameter Pareto frontier alongside the minimum-latent candidate. At NMSE <= 0.01 on thirteen grayscale datasets, its latent-size prediction has 0.84% mean absolute percentage error against nonlinear patch-autoencoder boundaries; ten predictions are exact and the remaining three differ by one channel. In a four-dataset deployable comparison, MS-SRD matches all retrospective external widths and all four selected models pass, without training a selector; a 46-fit validation grid and four Least-Volume fits each pass on two datasets. In a skip-closed U-shaped autoencoder at the same bound, five predictions are exact, nine are within one channel, and every failing prediction is one channel short. Experiments at looser bounds show progressively larger nonlinear savings.
• Abstract（参考訳）: Multiscale Spectral Rate-Distortion (MS-SRD) は、トレーニング画像と正規化平均二乗誤差(NMSE)境界から、ニューラルネットワークを適合させることなく、ユーザが供給する空間カットに必要なボトルネックチャネルを推定する。 その共分散テール規則は、正則誤差下での共有線形ブロック畳み込みオートエンコーダに対して正確である。 ネストスケール支配の結果は、最小遅延候補と共に活性化パラメータParetoフロンティアを報告する動機となる。 13のグレースケールデータセット上のNMSE <= 0.01 において、その潜在サイズ予測は、非線形パッチ・オートエンコーダ境界に対する絶対パーセンテージ誤差が0.84%であり、10の予測は正確であり、残りの3つの予測は1つのチャネルによって異なる。 4つのデータセットのデプロイ可能な比較では、MS-SRDはすべてのレトロスペクティブの外部幅と、セレクタをトレーニングせずに4つの選択されたモデルをすべてパスする。 スキップクローズされたU字型オートエンコーダでは、5つの予測が正確であり、9つの予測が1つのチャネル内にあり、全てのエラー予測が1つのチャネル短い。 より緩い境界での実験は、徐々に大きな非線形保存を示す。

関連論文リスト

• One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
  凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。 また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。 Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
  論文  参考訳（メタデータ） (2026-09-20T14:54:35Z)
• Exact Degeneracy Under Balanced k-Shot Sampling:Consequences for Small-Sample Discriminant Analysis on LLM Embeddings [0.0]
  そこで本研究では,k-shotサンプリングのバランスが,小さめの判別式推定器群において,正確かつ証明可能な縮退を誘導することを示した。 次に,凍結埋込に関する少数ショットテキスト分類において,Kernelgression修復フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-09-09T08:13:54Z)
• QuantiSpect: A Structure-Aware Lightweight 3D CNN Pre-Decoder for Scalable Surface Code Quantum Error Correction [13.996295115428858]
  我々は、回転した表面コードのための軽量な3D畳み込みニューラルネットワーク(CNN)プリデコーダQuantiSpectを提案する。 鍵となるアイデアは、密集した3次元の畳み込みを、各残留ブロックに3つの平行な分岐で置き換えることである。 QuantiSpectは、Curcurateの回路レベルの閾値と精度を適度で大きなコード距離で一致させる。
  論文  参考訳（メタデータ） (2026-07-20T17:43:08Z)
• Anticipating the Optimism Gap: Predicting Distribution-Shift Degradation of RF-Impairment Detectors from In-Distribution Statistics [0.0]
  電波障害の検知器は、通常、調整された分布で測定された単一のAUCで報告される。 アウト・オブ・ディストリビューション・データを見る前に、この楽観主義が予測できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-20T14:10:59Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Diffusion Language Models are Super Data Learners [61.721441061210896]
  ユニークなデータが限られている場合、拡散言語モデル(DLM)は、よりエポックなトレーニングによって、常に自己回帰モデル(AR)を上回ります。 本研究の目的は,(1) 任意の次数モデリング,(2) 反復的双方向 denoising からの超高次計算,(3) モンテカルロ増分という3つの複合的要因に起因する。
  論文  参考訳（メタデータ） (2025-11-05T08:17:42Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり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） (2022-06-23T09:35:03Z)
• Prediction of wall-bounded turbulence from wall quantities using convolutional neural networks [0.0]
  完全畳み込みニューラルネットモデルを用いて,壁面正規位置の流速場を予測する。 様々なネットワークが3つの内部スケールの場所で予測するために訓練されている。
  論文  参考訳（メタデータ） (2019-12-30T15:34:41Z)

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。