論文の概要: Universal Distributed Feature Extraction Complementary to Side Information via H-Score

• arxiv url: http://arxiv.org/abs/2610.16707v2
• Date: Sun, 18 Oct 2026 14:34:52 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:23:17.778497
• Title: Universal Distributed Feature Extraction Complementary to Side Information via H-Score
• Title（参考訳）: H-Scoreによる共通分散特徴抽出
• Abstract要約: 本稿では,エッジノードがパラメータ推定のために中心ノードに平均的特徴を伝達する分散推定システムについて考察する。 中心ノードが補助的な側情報を持つとき、ダウンストリームタスクに対して普遍的に最適な局所抽出器を設計する方法が重要な課題である。 本研究では, 標準依存カーネルの条件付加成分のモーダル分解が最適, タスク非依存の特徴をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 12.460229352025328
• License:
• Abstract: This paper considers a distributed estimation system where edge nodes transmit averaged features to a center node for parameter estimation. A key challenge arises when the center node possesses auxiliary side information: how to design local extractors that are universally optimal for any downstream task, while avoiding redundancy with the side information. To tackle this problem, we orthogonally decompose the joint function space and demonstrate in the weak-dependence regime that the modal decomposition of the canonical dependence kernel's conditional-additive component yields optimal, task-independent features. We construct a distributed nested H-score to learn this decomposition and show that, under a limited feature budget, the mean-squared error (MSE) gap to the best task-specific features is determined solely by the task's alignment with the discarded, least informative modes, and vanishes to leading order for every square-integrable task once the budget is sufficient.
• Abstract（参考訳）: 本稿では,エッジノードがパラメータ推定のために中心ノードに平均的特徴を伝達する分散推定システムについて考察する。 重要な課題は、中央ノードが補助的な側情報を持つとき、すなわち、サイド情報との冗長性を避けながら、ダウンストリームタスクに普遍的に最適な局所抽出器を設計する方法である。 この問題に対処するため、直交的に結合関数空間を分解し、標準依存カーネルの条件付き付加成分のモード分解が最適でタスクに依存しない特徴をもたらすことを示す。 分散ネストHスコアを構築し、この分解を学習し、制限された機能予算の下では、最高のタスク固有の特徴に対する平均二乗誤差(MSE)ギャップは、廃棄された最小情報モードとのタスクのアライメントによってのみ決定され、予算が十分であれば、すべての二乗可積分タスクの先頭順に消えることを示す。

関連論文リスト

• Improving Function Space Flow Matching with Kernel Optimal Transport [35.46782004794816]
  関数フローマッチングは無限次元空間上の分布を学習する。 本稿では,カーネルが引き起こすコストで,独立なペアリングをエントロピーOTで置き換えるカーネル機能フローマッチングを提案する。 経験的に、kFFMはFFM上の分布マッチング、拡散、逆数、有限次元OTベースラインを改善する。
  論文  参考訳（メタデータ） (2026-09-29T17:20:54Z)
• DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
  長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。 DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。 DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
  論文  参考訳（メタデータ） (2026-09-16T14:57:11Z)
• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• Causal Optimal Coupling for Gaussian Input-Output Distributional Data [3.652509571098291]
  因果系によって生成された入出力分布データ間の最適結合を同定する問題について検討する。 この問題をシュリンガー橋(Schr"odinger Bridge)として定式化し、Kulback-Leibler の発散に最も近い結合を求める。
  論文  参考訳（メタデータ） (2026-04-01T21:12:51Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Disentangled Interleaving Variational Encoding [1.132458063021286]
  本稿では,変分オートエンコーダの潜時空間において,元の入力を限界値と条件値の確率分布に分解する原理的手法を提案する。 提案モデルであるDeep Disentangled Interleaving Variationalを提案する。 コーダ(DeepDIVE)は、元の入力から切り離された特徴を学習し、埋め込み空間にクラスタを形成する。 2つの公開データセットの実験は、DeepDIVEが元の入力をアンタングルし、元のVAEよりも予測精度が良いことを示している。
  論文  参考訳（メタデータ） (2025-01-15T10:50:54Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous Information Networks [64.62314068155997]
  本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。 DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。 当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
  論文  参考訳（メタデータ） (2022-01-08T04:08:36Z)
• On the Convexity of Discrete Time Covariance Steering in Stochastic Linear Systems with Wasserstein Terminal Cost [1.1602089225841632]
  端末状態の共分散が上界であるとき、L"所有者部分順序に関して、この問題は一意に大域的最小化状態フィードバックゲインを許容することを示す。 本研究の結果は, 特殊制御設計ツールの開発に向けての段階を定めている。
  論文  参考訳（メタデータ） (2021-03-25T03:24:52Z)

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。