論文の概要: Efficient Neural Field Learning via Adaptive Coverage and Focused Sampling

• arxiv url: http://arxiv.org/abs/2610.02410v1
• Date: Thu, 01 Oct 2026 19:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.069924
• Title: Efficient Neural Field Learning via Adaptive Coverage and Focused Sampling
• Title（参考訳）: 適応被覆と集束サンプリングによる効率的なニューラルネットワーク学習
• Abstract要約: ACESは、カバレッジと重要性を分離することで、トレーニング効率を向上させる構造化サンプリングフレームワークである。 ACESは適応的な空間分割を構築し、ドメインカバレッジを確保し、冗長性を低減します。 科学フィールド学習タスクの実験では、ACESは一様および一様適応サンプリングベースラインよりも早く収束し、エラーが少ないことが示されている。
• 参考スコア（独自算出の注目度）: 35.56617125359153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representations (INRs) provide a flexible framework for modeling high-dimensional continuous fields, but their training is often inefficient due to uniform subsampling that ignores spatial heterogeneity. Existing adaptive sampling methods partially address this issue by prioritizing high-error samples, but typically operate at the point level, often leading to redundant sampling in localized regions and insufficient coverage of the domain. We propose ACES (Adaptive Coverage-aware Efficient Sampling), a structured sampling framework that improves training efficiency by decoupling coverage and importance. ACES constructs adaptive spatial partitions to ensure domain coverage and reduce redundancy, and applies region-level importance weighting to prioritize informative regions during training. We provide a theoretical analysis showing that adaptive partitioning reduces gradient variance by increasing within-region homogeneity, and that controlled bias in region-level weighting may improve optimization efficiency relative to standard unbiased estimators. Experiments on scientific field learning tasks demonstrate that ACES achieves faster convergence and lower error than uniform and pointwise adaptive sampling baselines, with the largest gains in fields with highly localized complexity.
• Abstract（参考訳）: 入射神経表現(INR)は高次元連続体をモデル化するための柔軟な枠組みを提供するが、その訓練は空間的不均一性を無視した一様部分サンプリングのため、しばしば非効率である。 既存の適応サンプリング手法は、高いエラーサンプルを優先順位付けすることでこの問題に部分的に対処するが、通常はポイントレベルで動作し、ローカライズされた領域の冗長サンプリングとドメインのカバー不足につながる。 本稿では,ACES(Adaptive Coverage-aware Efficient Smpling)を提案する。 ACESは、ドメインカバレッジの確保と冗長性の低減のために適応的な空間分割を構築し、トレーニング中の情報領域の優先順位付けに地域レベルの重み付けを適用している。 適応的分割は領域内均一性を高めることによって勾配分散を減少させ、領域レベルの重み付けの制御バイアスは、標準偏差推定器と比較して最適化効率を向上させる可能性があることを示す理論解析を提供する。 科学分野の学習タスクに関する実験では、ACESは一様および点順応的なサンプリングベースラインよりも早く収束し、エラーが少ないことが示されている。

関連論文リスト

• FAN-LoRA: A Fourier-Adaptive Nonlinear Low-Rank Adaptor for Medical Foundation Model Domain Adaptation [11.04143971119602]
  本稿では,周波数分離型ファインチューニングアーキテクチャであるFAN-LoRAを提案する。 FAN-LoRAは、最先端のPEFTベースラインを一貫して上回ることを示す。 提案手法は,最強の競合相手と比較して,平均Diceスコアにおける一貫した改善と境界誤差の顕著な低減を実現している。
  論文  参考訳（メタデータ） (2026-08-27T02:08:57Z)
• Local adapt-then-combine algorithms for distributed nonsmooth optimization: Achieving provable communication acceleration [50.67878993903822]
  通信効率のよいAdapt-Then-Combine (ATC) フレームワークであるFlexATCを提案する。 ローカル更新がATCベースの分散アルゴリズムの通信高速化につながることを示すのはこれが初めてである。
  論文  参考訳（メタデータ） (2026-02-18T02:47:05Z)
• Domain Adaptation via Feature Refinement [0.3867363075280543]
  本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。 提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
  論文  参考訳（メタデータ） (2025-08-22T06:32:19Z)
• Sparse Optimization for Transfer Learning: A L0-Regularized Framework for Multi-Source Domain Adaptation [9.605924781372849]
  L0-regularizationに基づくSparse Optimization for Transfer Learningフレームワークを提案する。 シミュレーションにより、SOTLは推定精度と計算速度の両方を著しく改善することが示された。 コミュニティと犯罪のベンチマークにおける実証的検証は、クロスドメイン転送におけるSOTL法の統計的堅牢性を示している。
  論文  参考訳（メタデータ） (2025-04-07T08:06:16Z)
• Efficient Federated Learning via Local Adaptive Amended Optimizer with Linear Speedup [90.26270347459915]
  そこで我々は,グローバル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アルゴリズムを提案する。 textitLADAは通信ラウンドを大幅に削減し、複数のベースラインよりも高い精度を実現する。
  論文  参考訳（メタデータ） (2023-07-30T14:53:21Z)
• MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
  セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:55:22Z)
• Distributionally Robust Federated Averaging [19.875176871167966]
  適応サンプリングを用いた堅牢な学習周期平均化のためのコミュニケーション効率の高い分散アルゴリズムを提案する。 我々は、フェデレーション学習環境における理論的結果に関する実験的証拠を裏付ける。
  論文  参考訳（メタデータ） (2021-02-25T03:32:09Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)

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。