論文の概要: Generative Residual Factorization

• arxiv url: http://arxiv.org/abs/2609.34824v1
• Date: Mon, 28 Sep 2026 10:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 02:36:10.058081
• Title: Generative Residual Factorization
• Title（参考訳）: 生成的残留因子化
• Abstract要約: 共有因子モデルの下では、次の画像パッチの条件法則が、その因子が与えられた共有シーンファクターと残カーネルの後方に挿入される。 過去の十分な統計は、後部の生の過去を置き換え、カーネルを置き換えない。 条件エントロピーは、その因子の観察ができない残エントロピーと、過去のより良い表現が除去できる後続項に分けられる。
• 参考スコア（独自算出の注目度）: 1.1649834448993244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Under a shared-factor model, the conditional law of the next image patch factors into a posterior over the shared scene factor and a residual kernel given that factor. A sufficient statistic of the past replaces the raw past in the posterior and does not replace the kernel. The conditional entropy splits into residual entropy, which no observation of the factor can remove, and a posterior term, which a better representation of the past can remove. Next-embedding prediction is a directional likelihood on a shallow map, so the fiber of that map is unidentified and a constant embedding remains a minimizer. The same split is an equality in a scalar Gaussian model, evaluated in closed form.
• Abstract（参考訳）: 共有因子モデルの下では、次の画像パッチの条件法則が、その因子が与えられた共有シーンファクターと残カーネルの後方に挿入される。 過去の十分な統計は、後部の生の過去を置き換え、カーネルを置き換えない。 条件エントロピーは、その因子の観察ができない残エントロピーと、過去のより良い表現が除去できる後続項に分けられる。 次埋め込み予測は浅い写像上の方向の確率であり、その写像のファイバーは同定されず、一定の埋め込みは最小限のままである。 同じ分割は、閉形式で評価されるスカラーガウスモデルにおける等式である。

関連論文リスト

• Conditional Predictive Sufficient Statistics for Visual Representation Learning [0.0]
  有用な視覚表現は、観測された過去の統計であり、将来と共有される潜在因子を保持し、パッチプライベートノイズを破棄する。 我々はこの要件を条件付き予測十分統計(CPSS)として定式化する。 MNISTとCIFAR-10の小さな因果トランスフォーマーは、リーダーボードとしてではなく診断として使用される。
  論文  参考訳（メタデータ） (2026-09-25T00:36:49Z)
• Simplex Relaxation for Discrete Diffusion [58.33696160279345]
  Simplax(Simplax)はディリクレ(Dirichlet)のカテゴリー拡張で、それぞれが崩壊したカテゴリ状態と補助的単純度値変数を結合する。 Simplaxは生成パープレキシティーを改善する。-無条件のOpenWebText生成におけるエントロピートレードオフ。
  論文  参考訳（メタデータ） (2026-08-11T07:58:17Z)
• Nearly Optimal Bayesian Inference for Structural Missingness [23.988531482641307]
  ベイズ的な見方では、後続の予測分布による予測は、完全なモデル後続の不確実性の上に統合される。 このフレームワークは、(II)ラベル予測からモデル内の欠損値後部を学習し、予測後部分布を最適化する。 43の分類と15の計算ベンチマークでSOTAを達成し、ベイズ最適性保証の近くに有限サンプルを持つ。
  論文  参考訳（メタデータ） (2026-01-26T14:03:11Z)
• Test Set Sizing for the Ridge Regression [51.56484100374058]
  訓練行数mが大きくなる限界において、リッジ回帰のための理想的な列車/試験分割を高精度に導出する。 このような分割が、大規模なデータ制限下で機械学習モデルに対して数学的に計算されるのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-04-27T13:17:18Z)
• Characterizing Overfitting in Kernel Ridgeless Regression Through the Eigenspectrum [6.749750044497731]
  我々は、ガウス以下の設計仮定の下で、誘惑的な過フィットと破滅的な過フィットの現象を証明した。 また、機能の独立性は、誘惑に満ちたオーバーフィッティングを保証する上で重要な役割を担っていることも確認しています。
  論文  参考訳（メタデータ） (2024-02-02T10:36:53Z)
• Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
  本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。 次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
  論文  参考訳（メタデータ） (2021-05-03T16:36:27Z)
• Online nonparametric regression with Sobolev kernels [99.12817345416846]
  我々は、ソボレフ空間のクラス上の後悔の上限を$W_pbeta(mathcalX)$, $pgeq 2, beta>fracdp$ とする。 上界は minimax regret analysis で支えられ、$beta> fracd2$ または $p=infty$ の場合、これらの値は(本質的に)最適である。
  論文  参考訳（メタデータ） (2021-02-06T15:05:14Z)

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。