論文の概要: A Strength-Monotonic Law for Domain Alignment in Frozen-Embedding Bioacoustic Classification
- arxiv url: http://arxiv.org/abs/2610.09737v1
- Date: Wed, 07 Oct 2026 09:31:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.831918
- Title: A Strength-Monotonic Law for Domain Alignment in Frozen-Embedding Bioacoustic Classification
- Title（参考訳）: 凍結埋込み生体音響分類におけるドメイン配向の強度モノトニック法則
- Abstract要約: クロスドメイン蚊種分類における強度モノトニック法則について報告する。
エンコーダがターゲットタスクに強いほど、その見えない領域の一般化は分布調整項に依存する。
私たちは、リーダーボードのエントリではなく、その説明するメカニズムとレシピを示します。
- 参考スコア（独自算出の注目度）: 4.912083596120586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When does distribution alignment help a frozen foundation-model embedding generalize across acoustic domains? For cross-domain mosquito-species classification we report a strength-monotonic law: the stronger an encoder is on the target task, the more its unseen-domain generalization relies on a distribution-alignment (MMD) term, and the more it is harmed by domain-rebalanced sampling. Across four encoder families and a within-encoder HuBERT layer sweep (n=8), the rebalancing leg orders exactly with encoder strength (Spearman -1.000), while the MMD-benefit leg is monotonic within each stream and -0.857 pooled; fixing architecture and varying only representation strength flips the rebalancing effect from benefit to collapse. The law is actionable: a single MMD term is the sole lever on a strong encoder, so we reduce the field's default recipe to a frozen Perch 2.0 embedding, a lightweight probe, cross-entropy, one MMD, and input augmentation. The reduced recipe stays within seed noise of the full composite (BA_unseen 0.299+/-0.006 vs. 0.307+/-0.014). As boundary conditions of the same law, three community defaults (backbone fine-tuning, multi-modal fusion, and domain rebalancing) each hurt unseen-domain accuracy under a leave-domain protocol, shown with single-variable, multi-seed evidence. We present a mechanism and the recipe it explains, not a leaderboard entry.
- Abstract（参考訳）: 分布アライメントは、凍結基礎モデル埋め込みが音響領域全体にわたって一般化するのに役立つか?
クロスドメイン蚊種分類では、エンコーダがより強いタスクを目標とするほど、その見えない領域の一般化は分布調整(MMD)項に依存し、ドメイン再バランスサンプリングによって害される。
4つのエンコーダファミリーと内エンコーダHuBERT層スイープ(n=8)にまたがって、リバランシング脚はエンコーダ強度と正確に一致する(Spearman -1.000)。
単一のMDD項が強エンコーダ上の唯一のレバーであるため、フィールドのデフォルトレシピを凍結されたPerch 2.0埋め込み、軽量プローブ、クロスエントロピー、1つのMDD、入力拡張に還元する。
還元されたレシピは、フルコンポジット(BA_unseen 0.299+/-0.006 vs. 0.307+/-0.014)のシードノイズ内に留まる。
同じ法則の境界条件として、3つのコミュニティのデフォルト(バックボーンの微調整、マルチモーダルの融合、ドメインの再バランス)がそれぞれ、単一変数のマルチシードエビデンスで示される離脱ドメインプロトコルの下での未確認領域の精度を損なう。
私たちは、リーダーボードのエントリではなく、その説明するメカニズムとレシピを示します。
関連論文リスト
- 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) - ARC: Augmented-Rank Conformalization for Changepoint Localization --- Finite-Sample Validity and Distribution-Robust Efficiency [7.648414136980082]
ARCは、データに依存するスコアのファミリーであり、インターセグメントのランクのみである。
各ARCスコアは、凍結重量構成ごとに有限サンプルカバレッジを継承する。
ARC信頼集合全体は、厳密に増大する辺変換の下でほぼ確実に不変である。
論文 参考訳（メタデータ） (2026-08-09T02:44:08Z) - Chaos Is a LADDER: Domain Generalization Beyond Invariance via Reweighting [5.794007659596176]
ドメインの一般化は、複数のソースドメインから学び、見えないターゲットドメインに一般化することを目的としている。
因果表現を学習し,エンコーダを凍結する固定モデルDGパイプラインであるLADDERを提案する。
シミュレーション, FMoW, 位置群iWildCamプロトコルにおいて, ソース再重み付けの理論的保証を確立し, LADDERの検証を行う。
論文 参考訳（メタデータ） (2026-07-29T04:18:21Z) - The Dark Room in the Reward Channel: Dense Prediction Rewards Collapse GRPO-Trained LLM Agents -- and What Actually Works [3.040305634723913]
群正規化RLの下では、ポテンシャルに基づく予測報酬が全てのランを退化吸収状態に駆動することを示す。
単一エピソードアブレーションは原因を和らげる -- GRPOの正規化だけを取り除くことで、破滅からベースラインパリティへと同じ報酬が変わる。
我々の中心的な洞察はこれを一般化している: z-scoring amplify は、全フェイル群が支配的である間、高密度信号の群内分散である。
論文 参考訳（メタデータ） (2026-07-23T12:50:18Z) - Shift-Dependent Asymmetry: Orthogonal Inverse Low-Rank Adaptation for Federated Medical Segmentation [60.41721951405564]
Low-Rank Adaptation (LoRA)は、医療画像のためのセグメンテーション基盤モデルの効率的なフェデレーション微調整を可能にする。
ほとんどの連合LoRA法は、医学的セグメンテーションにおいてエンコーダ-デコーダ非対称性の下で破れる一様アグリゲーション規則を採用している。
このミスマッチの絡み合いは、サイト固有のバイアスと解剖を共有し、一般化を損なう。
本稿では,効率的な更新空間における共有局所コリニアリティを罰する部分空間直交正規化器を提案する。
論文 参考訳（メタデータ） (2026-06-07T15:39:28Z) - A Local Perturbation Theory for Cross-Domain Interference and Recovery in Multi-Domain RL [49.589717630468876]
単一領域のRLは、上位変化ニューロン間の重なりが弱い、スパースで小振幅のパラメータの編集を生成する。
マルチドメインRLの局所モデルの下では、後続のドメイントレーニングは、主に2階の損傷項によって、以前のドメインに害を与えることが証明される。
論文 参考訳（メタデータ） (2026-06-01T15:44:56Z) - Neural Autoregressive Control Variates for the Quantum Monte Carlo Sign Problem [2.3717692810269586]
量子モンテカルロシミュレーションにおいて,符号問題を緩和するために,2組の自己回帰モデルを訓練する。
2つの自己回帰的ネットワークは、厳密に非結合な支持を持つ正と負の符号セクターに限られる。
それらの差は構造的にゼロ平均であり、符号推定器との相関が分散還元を制御する補助観測器を提供する。
論文 参考訳（メタデータ） (2026-05-26T10:30:44Z) - Moir: Let the Model Direct Its Own Story for Robust Cross-Domain Knowledge Editing [19.592670426853115]
Moirは、モデル自体から直接保存共分散$C$を、自身の復号分布からサンプリングすることによって推定する。
OLMo-2、Llama-3.1、Qwen-3 (7-8B)は、MEMITとAlphaEditの両方の下で、最も脆弱なドメインの保存を継続的に拡張している。
MoirのGSM8Kの精度は79.9%、Wikipediaのベースラインは10.9%である。
論文 参考訳（メタデータ） (2026-05-10T16:05:49Z) - MARS-Sep: Multimodal-Aligned Reinforced Sound Separation [72.85468563236005]
MARS-Sepは音分離のための強化学習フレームワークである。
クリッピングされた信頼領域サロゲートによって最適化された、ファクタライズされたベータマスクポリシを学ぶ。
複数のベンチマークの実験は、テキスト、オーディオ、イメージ-キュード分離において一貫した利得を示している。
論文 参考訳（メタデータ） (2025-10-12T09:05:28Z) - Divide to Adapt: Mitigating Confirmation Bias for Domain Adaptation of
Black-Box Predictors [94.78389703894042]
ドメイン適応(Domain Adaptation of Black-box Predictor、DABP)は、ソースドメインでトレーニングされたブラックボックス予測器によって管理されるラベルなしのターゲットドメイン上のモデルを学習することを目的としている。
ソースドメインデータと予測パラメータの両方にアクセスする必要はないため、標準ドメイン適応におけるデータのプライバシとポータビリティの問題に対処する。
本稿では,知識蒸留と雑音ラベル学習を一貫した枠組みに組み込む新しい手法BETAを提案する。
論文 参考訳（メタデータ） (2022-05-28T16:00:44Z) - A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。
本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。
複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
論文 参考訳（メタデータ） (2020-03-05T11:37:06Z)
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。