論文の概要: Pro-t-VAE: Closed-Form Student's t Mixtures for Robust Prototype Discovery

• arxiv url: http://arxiv.org/abs/2610.14894v1
• Date: Sat, 10 Oct 2026 13:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:10:31.697781
• Title: Pro-t-VAE: Closed-Form Student's t Mixtures for Robust Prototype Discovery
• Title（参考訳）: Pro-t-VAE:ロバストなプロトタイプ発見のための閉鎖型学生のt混合
• Abstract要約: 我々は、教師なし画像のプロトタイプ発見のための頑健な深層生成フレームワークを提案する。 当社のフレームワークは,前述したヘビーテールの学生のt混合体上に構築されています。 我々は、標準ビジョンベンチマークと課題となるニューロイメージングタスクでモデルを検証した。
• 参考スコア（独自算出の注目度）: 2.8146426762589933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a robust deep generative framework for unsupervised image prototype discovery, built on a heavy-tailed Student's t mixture prior, that bridges statistical robustness and mathematical tractability. Existing generative approaches typically rely on noise-prone Gaussian priors or computationally intensive diffusion models; neither simultaneously provides explicit latent structure nor exact analytic optimization. While diffusion models can yield strong priors, iterative sampling and intractable likelihoods limit scalability and interpretability for prototype discovery. We address these issues by constructing a Student's t latent space via a Bayesian scale-mixture formulation. This yields a fully closed-form augmented ELBO for unsupervised Student's t mixture variational autoencoders, which, to our knowledge, is the first such objective applied to robust image prototype discovery, avoiding biased variational approximations and high computational costs in prior heavy-tailed or diffusion-based frameworks. Treating precision as a latent variable automatically modulates each data point's influence, downweighting outliers to learn a data-dependent measure of trust. The result is improved robustness, accuracy, and efficiency, with well-separated latent representations and more stable manifold learning than state-of-the-art methods. We validate our model on standard vision benchmarks and challenging neuroimaging tasks. In brain MRI-driven neurodegenerative disease analysis, our model recovers clean, anatomically coherent prototypes where clinical noise often collapses rare subtypes. These results highlight the ability of our framework to preserve anatomy-associated patterns for precise discovery in clinical settings. Our code is available at: https://github.com/xuzhikangnba/torch-tvae.
• Abstract（参考訳）: 統計的頑健性と数学的トラクタビリティを橋渡しする,厳密な尾を持つ学生のt混合体上に構築された,教師なし画像のプロトタイプ発見のための頑健な深層生成フレームワークを提案する。 既存の生成的アプローチは、通常、ノイズを起こしやすいガウスの先行や計算集約的な拡散モデルに依存し、同時に明確な潜在構造も正確な解析最適化も提供しない。 拡散モデルは強い先行性が得られるが、反復的なサンプリングと抽出可能な確率は、プロトタイプ発見のスケーラビリティと解釈可能性を制限する。 本稿では,ベイズスケール・ミキサーの定式化により,学生のt潜時空間を構築することで,これらの問題に対処する。 これにより、教師なし学生のt混合変分オートエンコーダのための完全閉形式拡張ELBOが得られ、これは我々の知る限り、偏りのある変分近似や、事前の重み付けや拡散に基づくフレームワークにおける高い計算コストを回避し、ロバストな画像プロトタイプ発見に適用される最初の目的である。 潜時変数として精度を扱うことは、各データポイントの影響を自動的に調整し、データ依存の信頼度を学習するために、アウトレーヤを下げる。 その結果、堅牢性、正確性、効率性が向上し、より分離された潜在表現と、最先端の手法よりも安定な多様体学習が実現された。 我々は、標準ビジョンベンチマークと課題となるニューロイメージングタスクでモデルを検証した。 脳MRIによる神経変性疾患解析では、臨床ノイズが希少なサブタイプを分解するクリーンで解剖学的に整合したプロトタイプを復元する。 これらの結果から,臨床現場における解剖関連パターンの正確な発見のための枠組みの確立が示唆された。 私たちのコードは、https://github.com/xuzhikangnba/torch-tvae.comで利用可能です。

関連論文リスト

• PhysLDM: Latent Diffusion for High-Fidelity Deformable Simulation [24.780393603746884]
  本稿では,一体積変形型シミュレーションのための統合潜時VAEであるPhysLDMを紹介する。 その中核は、標準的な時間圧縮の「ステップアーティファクト」を避ける、全体論的決定論的時間的VAEである。 我々は、カオスデータから効果的に学習する潜在拡散モデルを用いて、物理的に可算な軌道を生成する。
  論文  参考訳（メタデータ） (2026-10-06T01:53:56Z)
• DNA: Uncovering Universal Latent Forgery Knowledge [39.19379714306656]
  フォージェリ検出機能は、すでにトレーニング済みのモデル内にエンコードされている。 DNAフレームワークは粗大な発掘機構を採用している。 Hifi-Genは、最新のモデルの上に構築された高忠実度合成ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T03:48:30Z)
• Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
  本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。 実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。 モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
  論文  参考訳（メタデータ） (2025-11-24T19:34:53Z)
• Diffusion-Driven High-Dimensional Variable Selection [6.993247097440294]
  本稿では,高忠実度合成データを生成する拡散モデルの能力を生かした再サンプル集約フレームワークを提案する。 提案手法は軽微な仮定の下で一貫した選択であることを示す。 本手法は,変数選択手法を改良し,統計的に厳密な解析を行うためのツールキットを拡充する。
  論文  参考訳（メタデータ） (2025-08-19T14:54:20Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)

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。