論文の概要: Train to Stitch: Topology-Preserving Regularization for Interoperable Representations

• arxiv url: http://arxiv.org/abs/2610.19401v1
• Date: Wed, 14 Oct 2026 01:49:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.890688
• Title: Train to Stitch: Topology-Preserving Regularization for Interoperable Representations
• Title（参考訳）: Train to Stitch: 相互運用可能な表現のためのトポロジ保存正規化
• Abstract要約: 独立に訓練された2つのオートエンコーダモデルの潜在空間を整列させるために、トポロジカル正規化を利用する新しいアプローチを導入する。 我々は,正規化器によって奨励される構造的合意が,独立に学習された表現間の近似幾何的整合性にどのように変換できるかを示す条件理論解析を行った。
• 参考スコア（独自算出の注目度）: 5.988651476525187
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As large, powerful pre-trained models become more prevalent, there is growing interest in developing methods that allow different neural networks to be seamlessly combined with little or no direct communication between them. Take autoencoder-based data compression as an example: the ability to independently choose architectures and train encoder and decoder models, while still ensuring they work together, could fundamentally transform how such models are built, deployed, and updated. In this work, we introduce a novel approach that leverages topological regularization to align the latent spaces of two independently trained autoencoder models, entirely eliminating the need for coordination during training. We provide a conditional theoretical analysis showing how the structural agreement encouraged by our regularizer can translate into approximate geometric compatibility between independently learned representations. Reconstruction experiments validate this approach empirically, substantially narrowing the interoperability gap across multiple datasets.
• Abstract（参考訳）: 大規模で強力な事前学習モデルが普及するにつれて、異なるニューラルネットワークをシームレスに結合し、それら間の直接通信をほとんど、あるいは全く行わないようにする手法の開発への関心が高まっている。 アーキテクチャを独立して選択し、エンコーダとデコーダモデルをトレーニングすると同時に、一緒に動作することを保証しながら、そのようなモデルの構築、デプロイ、更新の方法を根本的に変えることができる。 本研究では,2つの独立的に訓練されたオートエンコーダモデルの潜在空間を整列させるために,トポロジカル正規化を活用する新しい手法を提案する。 我々は,正規化器によって奨励される構造的合意が,独立に学習された表現間の近似幾何的整合性にどのように変換できるかを示す条件理論解析を行った。 レコンストラクション実験は、このアプローチを実証的に検証し、複数のデータセット間の相互運用性のギャップを大幅に狭める。

関連論文リスト

• Improving Relative Representations with Learned Anchors and Whitened Inner Products [0.0]
  独立に訓練されたニューラルモデルは一般に非互換な潜在表現に収束する。 相対表現(RR)は、絶対座標を共通アンカー点と類似性によって定義される共有空間にマッピングすることでこの問題に対処する。 従来の実装はランダムにサンプリングされたアンカーとコサインの類似性に依存している。 本稿では,2つの改良点に基づくクロスモデル通信のためのロバストなフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-28T21:43:53Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

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。