論文の概要: Robust Explanatory Analysis for Structured Optimization Networks (REASON) in Learning

• arxiv url: http://arxiv.org/abs/2610.19378v1
• Date: Wed, 14 Oct 2026 01:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.882334
• Title: Robust Explanatory Analysis for Structured Optimization Networks (REASON) in Learning
• Title（参考訳）: 学習における構造化最適化ネットワーク(REASON)のロバスト説明分析
• Abstract要約: システム1/システム2のパラダイムにインスパイアされたこの原理は、共通の推論目標を満たす2ループ機構として定式化される。 高速なシステム1様ループは、利用可能な証拠によって残余アドレスを解決し、残りの残余ループは中速のシステム2様ループをトリガーする。 実験により, 得られた2ループモデルにより, 中ループの計算の約半分において, 高速ループが一貫的に改善されることが示されている。
• 参考スコア（独自算出の注目度）: 10.258991094297857
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We seek a hierarchical resolution of residual error under a composite learning objective as a principled mechanism for identifying and exploiting additional information, particularly under distribution shift and perturbation. Inspired by the System 1/System 2 paradigm, we formulate this principle as a two-loop mechanism serving a common inference goal. A fast, System 1-like loop resolves the residual addressable by the available evidence; the remaining epistemic residual triggers a medium speed, System 2-like loop that actively acquires additional evidence and measures its informational value through residual reduction. Over nested solution spaces, the medium-loop optimum is provably no worse than the fast-loop optimum. Experiments show that the resulting two-loop model consistently improves upon the fast loop at approximately half the computation of the medium loop, including under unseen corruptions, and, when provided a cleaner observation, outperforms staged classifiers and learning-to-defer methods at equal computational cost.
• Abstract（参考訳）: 我々は,特に分布シフトや摂動下で,付加情報を特定し,活用するための原理的メカニズムとして,複合学習対象下での残差の階層的解決を求める。 システム1/システム2のパラダイムにインスパイアされたこの原理は、共通の推論目標を満たす2ループ機構として定式化される。 高速なSystem 1-likeループは、利用可能なエビデンスによって解決可能な残留アドレスを解決し、残りは中速のSystem 2-likeループをトリガーし、新たなエビデンスを積極的に取得し、その情報量を測定する。 ネストされた解空間では、中間ループ最適度は高速ループ最適度よりも確実に劣る。 実験により, 得られた2ループモデルにより, 中ループの約半分の高速ループの計算精度が向上し, また, よりクリーンな観察が可能となると, 段階的分類器や学習から遅延まで, 同等の計算コストで性能が向上することがわかった。

関連論文リスト

• Robust Activation Map Rectification for Weakly Supervised Volumetric Segmentation: Temporal Coherence as a Free Lunch [31.156115062163412]
  弱教師付きセグメンテーションは、最初にターゲット領域をローカライズするためにクラスアクティベーションマップ(CAM)に大きく依存している。 既存の治療法は、通常、追加のトレーニングステージやプロトタイプ学習を導入し、計算コストを増大させ、堅牢性を低下させる。 本研究では, 容積データの時間的・構造的コヒーレンスをフリーランチとして利用することにより, 信頼できないCAMを修正できる, トレーニング不要なプロトタイプフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-22T08:07:38Z)
• Learning the Riccati solution operator for time-varying LQR via Deep Operator Networks [13.357666564741153]
  有限水平線形二次レギュレータ(LQR)問題における微分リカティ方程式の繰り返し数値解を置き換えるための計算フレームワークを提案する。 新しいシステムインスタンスごとに非線形行列値微分方程式を解く代わりに、関連する解作用素の近似をオフラインで構築する。 得られたモデルは、広範囲のシステムにまたがる近似最適フィードバックの高速なオンライン評価を可能にする。
  論文  参考訳（メタデータ） (2026-04-20T16:56:34Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• Fast Second-Order Online Kernel Learning through Incremental Matrix Sketching and Decomposition [44.61147231796296]
  オンライン学習(OKL)は、ストリーミング環境での予測性能が期待できるため、かなりの研究関心を集めている。 既存の2次OKLアプローチは、予め設定された予算に関して、少なくとも2次時間の複雑さに悩まされている。 本稿では,2次OKLに適した高速増分行列スケッチと分解手法FORTSを提案する。
  論文  参考訳（メタデータ） (2024-10-15T02:07:48Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Efficient Iterative Amortized Inference for Learning Symmetric and Disentangled Multi-Object Representations [8.163697683448811]
  本稿では,オブジェクト中心表現の教師なし学習のための効率的なフレームワークであるEfficientMORLを紹介する。 対称性と非絡み合いの両方を必要とすることによる最適化の課題は、高コスト反復的償却推論によって解決できることを示す。 標準のマルチオブジェクト・ベンチマークでは,強いオブジェクト分解と歪みを示しながら,ほぼ1桁の高速なトレーニングとテスト時間推定を実現している。
  論文  参考訳（メタデータ） (2021-06-07T14:02:49Z)
• Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
  ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。 DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。 有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
  論文  参考訳（メタデータ） (2021-02-23T18:56:13Z)

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。