論文の概要: Disentangling Marginal Capacity from Geometry in Optimal-Transport Label Transfer
- arxiv url: http://arxiv.org/abs/2610.14853v1
- Date: Sat, 10 Oct 2026 12:13:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 11:26:09.761878
- Title: Disentangling Marginal Capacity from Geometry in Optimal-Transport Label Transfer
- Title（参考訳）: 最適トランスポートラベル転送における幾何からの遠心性辺縁容量
- Abstract要約: 変位質量は幾何学的に類似したクラスではなく,高容量クラスに優先的に吸収されることを示す。
伝送容量と表現幾何が転送誤差の異なる原因であることを示す。
- 参考スコア（独自算出の注目度）: 4.368515769941838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimal transport (OT) is widely used to align distributions and transfer labels between unpaired source and target data, but source-target composition shifts can cause rare classes to be systematically under-predicted even with high transport confidence. We identify a source of this failure in the transport marginal: under the standard uniform weighting of source points, each class has transport capacity proportional to its source frequency, which can be insufficient to meet its target demand even when separated well in the embedding space. We show that displaced mass is preferentially absorbed by high-capacity classes rather than geometrically similar classes, producing confident errors that are difficult to detect from the transport plan. Downstream read-outs, entropic smoothing, and marginal relaxation provide limited recovery, whereas matching the transport marginal to the target composition substantially improves label transfer. On single-cell data, the oracle composition-matched marginal raises macro-F1 from 0.322 to 0.623, and the best deployable estimator closes 69% of the oracle gap. Correcting the marginal also separates a coverage-dependent component of error from residual error associated with class separability, showing that transport capacity and representation geometry are distinct sources of transfer error.
- Abstract（参考訳）: 最適なトランスポート(OT)は、未使用のソースとターゲットデータ間の分布と転送ラベルの整列に広く用いられているが、ソースとターゲットのコンポジションシフトは、高いトランスポート信頼性を持っても、レアクラスを体系的に過小評価する可能性がある。
ソースポイントの標準均一重み付けの下では、各クラスはソース周波数に比例した輸送能力を有しており、埋め込み空間において適切に分離された場合でも、その目標要求を満たすには不十分である。
変位質量は, 幾何学的に類似したクラスではなく, 高容量クラスに優先的に吸収され, 輸送計画から検出し難い確実な誤差が生じることを示す。
下流の読み出し, エントロピーの平滑化, 限界緩和は限定的な回復をもたらすが, 輸送限界を目標組成に合わせると, ラベル転送を大幅に改善する。
単一セルデータでは、オラクル組成マッチングされた縁辺は、マクロF1を0.322から0.623に上昇させ、最良のデプロイ可能な推定器は、オラクルギャップの69%を閉じる。
限界の補正はまた、クラス分離性に関連する残差エラーから誤差のカバレッジ依存成分を分離し、転送容量と表現幾何学が転送エラーの異なる源であることを示している。
関連論文リスト
- Visual-Invariance-Augmented Feature Optimal Alignment for Transferable Adversarial Attacks against Closed-Source MLLMs [58.88602095417067]
マルチモーダル大言語モデル (MLLM) は、移動可能な敵の例に対して脆弱なままである。
既存のターゲット転送攻撃は主に、大域的な画像レベルの特徴を用いて、敵とターゲットのサンプルを並べ合わせる。
適応的不均衡輸送を用いた視覚的不変性拡張型最適アライメントアタックであるIAU-FOAを提案する。
論文 参考訳（メタデータ） (2026-10-04T00:16:22Z) - Fast and Scalable Multi-Agent Distribution Matching via Partitioned Optimal Transport [0.0]
本稿では,マルチエージェントシステムにおける端末分布マッチングのためのスケーラブルな最適トランスポートベースのフレームワークを提案する。
エージェントとターゲットサンプルを空間的に対応するブロックに分割し,より小さな局所輸送問題を解くことで,このボトルネックに対処する。
提案フレームワークは,Wassersteinの目的に対する厳密な接続を維持しつつ,スケーラブルな端末分布マッチングを実現する。
論文 参考訳（メタデータ） (2026-09-30T04:28:14Z) - Simultaneous Neural Optimal Transport [69.9090683451861]
多くのアプリケーションにおいて、単一の変換は複数のソース分布を共通のターゲット分布にマッピングしなければならない。
本稿では,共有トランスポートマップの学習による同時OT問題の解法を提案する。
一つのモデルが複数の分解型を処理する画像復元への応用について説明する。
論文 参考訳（メタデータ） (2026-09-29T12:51:31Z) - Coupled Optimal Transport with Landmark Constraints [64.98367856457412]
最適輸送(OT)モデルは、所定の輸送コストや歪みを最小限に抑えて、分布間の地図や計画を求める。
本稿では,少数のアノテートされたランドマークを利用して,下層の変形の回復を誘導する新しい結合OTフレームワークを提案する。
提案するフレームワークは,ランドマークベース登録とトランスポートベース分布マッチングの原則的接続を提供する。
論文 参考訳（メタデータ） (2026-08-20T08:28:13Z) - SCOT: Multi-Source Cross-City Transfer with Optimal-Transport Soft-Correspondence Objective [29.70837520752111]
都市間移動は、ラベル付きデータを他の都市から活用することで、ラベル付き都市での予測を改善する。
不等領域集合間の明示的なソフト対応を学習する都市間表現学習フレームワークSCOTを提案する。
論文 参考訳（メタデータ） (2026-04-08T02:42:55Z) - Bi-level Unbalanced Optimal Transport for Partial Domain Adaptation [15.32873543470471]
部分的なドメイン適応問題は、正確な知識伝達のための外れ値クラスを区別しながら、クロスドメインサンプルの整列を必要とする。
サンプル・ワイド・クラス・ワイド関係を同時に特徴付けるために,バイレベル・アンバランス・最適輸送モデルを提案する。
論文 参考訳（メタデータ） (2025-05-19T13:40:40Z) - Nash Equilibria, Regularization and Computation in Optimal Transport-Based Distributionally Robust Optimization [7.841376286262178]
本研究では, 有限の輸送コストで所定の基準分布による不確実な問題パラメータの分布を選択することができるような, 最適輸送に基づく分布安定度最適化問題について検討する。
論文 参考訳（メタデータ） (2023-03-07T13:52:32Z) - Logit Margin Matters: Improving Transferable Targeted Adversarial Attack
by Logit Calibration [85.71545080119026]
クロスエントロピー(CE)損失関数は、伝達可能な標的対向例を学習するには不十分である。
本稿では,ロジットを温度係数と適応マージンでダウンスケールすることで,ロジットのキャリブレーションを簡易かつ効果的に行う2つの手法を提案する。
ImageNetデータセットを用いて実験を行い,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-03-07T06:42:52Z) - A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。
統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。
本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
論文 参考訳（メタデータ） (2021-01-25T09:46:14Z) - Supercharging Imbalanced Data Learning With Energy-based Contrastive
Representation Transfer [72.5190560787569]
コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。
本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。
これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
論文 参考訳（メタデータ） (2020-11-25T00:13:11Z)
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。