論文の概要: A Controlled Evaluation of Curvature Inspired Scalar Feature Scaling for Domain Generalization

• arxiv url: http://arxiv.org/abs/2610.18227v1
• Date: Tue, 13 Oct 2026 11:56:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.606411
• Title: A Controlled Evaluation of Curvature Inspired Scalar Feature Scaling for Domain Generalization
• Title（参考訳）: 領域一般化のための曲率インスパイアされたスカラー特徴スケーリングの制御された評価
• Abstract要約: ドメイン固有曲率(Domain-specific curvature)は、ドメイン一般化(Domain Generalization, DG)の魅力的なアイデアであるが、曲率学習は、かなり異なる計算を表わすことができる。 本稿では,プログラムがHyperDGと呼ぶが,学習した正のスカラーによる学習中にユークリッドエンコーダの機能を再スケールする。 ローレンツやポアンカレの表現、測地予測、シャープネス・アウェアの最小化の内ループは実装していない。
• 参考スコア（独自算出の注目度）: 8.063829694260594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain-specific curvature is an appealing idea for domain generalization (DG), but curvature learning can denote substantially different computations. This paper evaluates one deliberately narrow implementation: the code calls it HyperDG, but it rescales Euclidean encoder features during training by learned positive scalars and uses an ordinary linear classifier on unscaled Euclidean features at inference. It does not implement a Lorentz or Poincaré representation, geodesic prediction, or a Sharpness-Aware Minimization inner loop. We audit the executed objective and evaluate six conditions on PACS, VLCS, Office Home, and TerraIncognita. The completed design contains 384 runs: six conditions, four held-out targets, and four run seeds per dataset. Checkpoints are selected using only the three source-validation environments. Inference first averages paired seed differences within each held-out target; targets, rather than 16 seed-by-target observations, are the per-dataset clusters. The full implementation's equal-dataset macro point estimate is 1.61 percentage points below native DomainBed ERM (95% clustered CI [-3.17, -0.04]). All four dataset point estimates favor ERM, but an exact four-dataset sign-flip test gives p = .125 and Holm-adjusted p = .250; we therefore claim no adjusted evidence of a difference. The cleaner domain-specificity contrast, separate learned source scales without their variance penalty versus one shared learned source scale, is -0.13 pp (95% CI [-0.53, 0.27]). Its 90% CI lies within a revision-stage $\pm 1$ pp smallest effect of practical interest (TOST p = .003), supporting equivalence only for the source-selected suite macro, not every dataset, target, or final-step endpoint. The study thus supplies a bounded negative result for this scalar training package; it does not test or refute genuine hyperbolic representation learning.
• Abstract（参考訳）: ドメイン固有曲率(Domain-specific curvature)は、ドメイン一般化(Domain Generalization, DG)の魅力的なアイデアであるが、曲率学習は、かなり異なる計算を表わすことができる。 本稿では,ハイパーDGと呼ばれるコードの実装を意図的に評価するが,学習された正のスカラーによるトレーニング中にユークリッドエンコーダの機能を再スケールし,推論時に非スケールのユークリッド特徴に対して通常の線形分類器を使用する。 ローレンツやポアンカレの表現、測地予測、シャープネス・アウェアの最小化の内ループは実装していない。 実行対象を監査し,PACS,VLCS,Office Home,TerraIncognitaの6つの条件を評価する。 完成した設計には384のランがあり、6つの条件、4つのホールドアウトターゲット、1データセットあたりのランシードが4つある。 チェックポイントは3つのソースバリデーション環境のみを使用して選択される。 ターゲットは16のシード・バイ・ターゲット・オブザーバではなく、データセット毎のクラスタである。 完全な実装の同じデータセットのマクロポイントの推定値は、ネイティブのDomainBed ERM(95%クラスタ化されたCI [-3.17, -0.04])よりも1.61パーセント低い。 しかし、正確な4つのデータセットのサインフリップテストにより、p = .125 とホルム調整された p = .250 が得られる。 よりクリーンなドメイン特化コントラストは、分散ペナルティのない独立した学習ソーススケールであり、共有学習ソーススケールは-0.13 pp (95% CI [-0.53, 0.27])である。 90%のCIは、実際の関心の最小効果である$\pm 1$ pp(TOST p = .003)の範囲内にあり、すべてのデータセット、ターゲット、最終ステップのエンドポイントではなく、ソース選択されたスイートマクロにのみ同値をサポートする。 この研究は、このスカラートレーニングパッケージに有界な負の結果を与え、真の双曲表現学習をテストまたは反証しない。

関連論文リスト

• CÆNL: Collapse-Based Active Neural Learning with Objective-Aligned Representation Control [2.28438857884398]
  アクティブラーニングは、後続のラベルを取得するために使われる表現を変更する。 我々は、この相互作用をCNL(Collapse-Based Active Neural Learning)を通して研究し、獲得、動的崩壊規則化(Dynamic Collapse Regularization、DCR)とその係数ポリシーを分離する。 6シードの分類比較は2つのバックボーンのそれぞれに対して、別個の制御選択と10シードの評価による104ランの試験によって補完される。
  論文  参考訳（メタデータ） (2026-10-13T00:12:58Z)
• Curvature Under Attack in hZACH-ViT: Gauge Symmetry, Boundary Saturation, and Adversarial Failure [0.23166812624868952]
  hZACH-ViTは、ユークリッド、ポインケア、球形プロトタイプヘッドを備えたコンパクトなビジョントランスである。 我々はこの相互作用を,ユークリッド,ポインケア,球状プロトタイプヘッドを備えたコンパクトビジョン変換器hZACH-ViTで研究する。
  論文  参考訳（メタデータ） (2026-09-30T20:20:13Z)
• Scaling Laws for Classical Machine Learning on Tabular Data: A Benchmark Study [0.0]
  127人の大学院生が、それぞれ3つの割り当てられたデータセットに固定されたプロトコルを実行した。 6つのファミリーのうち5つのファミリーレベルの指数は、各ファミリーのクロスデータセット曲線とデータセットごとの指数とをほぼ同等に予測する。 また,N* がターゲット誤差 0.15 に達するための実用的なデータ要求表を作成した。
  論文  参考訳（メタデータ） (2026-07-23T23:45:09Z)
• Structural Kolmogorov-Arnold Convolutions: Learnable Function on the Values or the Filter Shape as Parameter-Efficient Alternative to Per-Edge Convolutional KANs [76.06235645266621]
  Convolutional Kolmogorov--Arnold Networks (KAN) は、畳み込みカーネルの固定重みを学習可能な単変数関数に置き換える。 学習可能な関数は、各エッジよりも畳み込みのエンファン構造に置かれる方がよいと我々は主張する。
  論文  参考訳（メタデータ） (2026-06-23T10:00:26Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Bit-Identical Medical Deep Learning via Structured Orthogonal Initialization [0.0]
  深層学習トレーニングは非決定論的であり、異なるランダムなシードを持つ同一のコードは、集約メトリクスに異を唱えるが個々の予測に異を唱えるモデルを生成する。 ランダム性の3つの源を除去する検証ビット識別訓練の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-03-30T05:04:57Z)
• E$^3$-Net: Efficient E(3)-Equivariant Normal Estimation Network [47.77270862087191]
  正規推定のための等価性を実現するために,E3-Netを提案する。 本稿では,この作業に必要なトレーニングリソースを,従来の作業の1/8に大幅に削減する,効率的なランダムフレーム手法を提案する。 提案手法は, 合成と実世界の両方のデータセットにおいて優れた結果が得られ, 最先端技術よりもかなり優れている。
  論文  参考訳（メタデータ） (2024-06-01T07:53:36Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Project and Probe: Sample-Efficient Domain Adaptation by Interpolating Orthogonal Features [119.22672589020394]
  多様な特徴の集合を学習し,これらの特徴を補間することによって対象分布に適応する,軽量でサンプル効率のよい手法を提案する。 複数の分散シフト設定を持つ4つのデータセットに対する実験により、Pro$2$は、限られたターゲットデータが与えられた場合、パフォーマンスを5～15%向上することが示された。
  論文  参考訳（メタデータ） (2023-02-10T18:58:03Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)

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。