論文の概要: Variational Atlas Autoencoders and Self-Supervised Chart Selection

• arxiv url: http://arxiv.org/abs/2610.33577v1
• Date: Sat, 24 Oct 2026 10:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.364807
• Title: Variational Atlas Autoencoders and Self-Supervised Chart Selection
• Title（参考訳）: 変分アトラスオートエンコーダと自己監督チャート選択
• Abstract要約: Variational Atlas Autoencodersは、局所的な潜在表現のアトラスを学習するチャートの混合フレームワークである。 チャートの割り当ては後続の推論として現れ、エンコーダのみに依存し、完全に自己管理される。
• 参考スコア（独自算出の注目度）: 7.444866494215398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex, high-dimensional data lie on manifolds that a single global latent coordinate system cannot represent without distortion. We introduce Variational Atlas Autoencoders, a mixture-of-charts framework that learns an atlas of local latent representations, each responsible for one region of the data manifold. The central difficulty in learning an atlas is deciding which chart should be responsible for which data point without labels. We show that this decision need not be a heuristic. By treating the chart index as a latent variable, the evidence lower bound yields the training objective and casts chart assignment as posterior inference, valid for any routing distribution. Within this framework, we propose latent-evidence routing, which assigns a point to a chart in proportion to the evidence of its encoding under that chart's latent prior. This has a simple interpretation: the closer a point lands to the center of a chart's latent space, and the more confidently it is placed there, the more likely it is to belong to that chart. Chart assignment thus emerges as posterior inference, depends on the encoder alone, and is fully self-supervised, so the charts discover structure in the data on their own, separating classes and subclasses such as distinct types of shoes or faces without access to labels. We further recover an atlas from the trained charts by identifying their overlaps and transition maps, enabling continuous interpolation within and across charts that stays close to the data manifold rather than traversing unsupported regions of latent space. Compared to capacity-matched baselines, Variational Atlas Autoencoders yields better-structured latent spaces and higher sample quality on image datasets including CelebA, while sampling requires evaluating only a single chart's decoder.
• Abstract（参考訳）: 複素高次元データは、単一の大域潜在座標系が歪みなしでは表現できない多様体上に存在する。 本研究では,局所的な潜在表現のアトラスを学習し,それぞれがデータ多様体の1つの領域を担っている変分アトラスオートエンコーダを提案する。 アトラスを学ぶのが難しいのは、ラベルなしでどのデータポイントに責任を負うべきかを決めることだ。 この決定はヒューリスティックなものではない。 チャートインデックスを潜伏変数として扱うことにより、エビデンスの下限がトレーニング目標となり、チャート割り当てを後続推論としてキャストし、任意のルーティング分布に有効である。 この枠組みでは,そのグラフの潜伏前のエンコーディングの証拠に比例して,ある点をチャートに割り当てる潜伏証拠ルーティングを提案する。 これは単純な解釈である: グラフの潜在空間の中心に近点が着くほど、それがそこにより自信を持って置かれるほど、そのグラフに属する可能性が高くなる。 したがって、チャートの割り当ては後部推論として現れ、エンコーダのみに依存し、完全に自己管理されているため、チャートは独自のデータの構造を発見し、異なるタイプの靴やラベルにアクセスせずに、クラスとサブクラスを分離する。 さらに、それらの重なりと遷移写像を同定することにより、トレーニングされたチャートからアトラスを復元し、潜在空間の領域を横断するのではなく、データ多様体に近接するチャート内およびチャート間の連続的な補間を可能にする。 キャパシティにマッチしたベースラインと比較して、変分アトラスオートエンコーダは、CelebAを含む画像データセットにおいて、より優れた構造化された潜在空間とより高いサンプル品質を得るが、サンプリングには1つのチャートのデコーダのみを評価する必要がある。

関連論文リスト

• Operational Feature Fingerprints of Graph Datasets via a White-Box Signal-Subspace Probe [0.3058685580689604]
  予測およびグラフデータセット診断のためのホワイトボックス信号サブスペースプローブであるWG-SRCを提案する。 学習したメッセージパッシングを、生の特徴を含む固定された名前のグラフ署名辞書に置き換える。 ホワイトボックスグラフ学習装置として、WG-SRCは予測性能を使用して診断の検証を行う。
  論文  参考訳（メタデータ） (2026-04-24T16:00:53Z)
• Learning Tangent Bundles and Characteristic Classes with Autoencoder Atlases [4.265353613980049]
  本稿では,多様体学習におけるマルチチャートオートエンコーダと,ベクトルバンドルと特徴クラスという古典的理論を結びつける理論的枠組みを提案する。 共サイクル条件を満たす遷移写像を,任意の再構成一貫性を持つオートエンコーダ・アトラスがカノニカルに定義していることを示す。 また、非自明な特徴クラスは単チャート表現に障害を与え、最小数の自己エンコーダチャートは多様体のよい被覆構造によって決定されることを示す。
  論文  参考訳（メタデータ） (2026-02-26T11:10:35Z)
• ChartPoint: Guiding MLLMs with Grounding Reflection for Chart Reasoning [54.86473583610112]
  グラフの連鎖推論に反射的相互作用を統合するPointCoTを提案する。 位置アノテーションに基づいてMLLMにバウンディングボックスと再レンダリングチャートを生成することで、テキスト推論ステップと視覚的接地領域の接続を確立する。 我々は、いくつかのグラフベンチマークにおいて最先端のモデルであるChartPointQ2とChartPointQ2.5を開発した。
  論文  参考訳（メタデータ） (2025-11-29T04:01:55Z)
• BigCharts-R1: Enhanced Chart Reasoning with Visual Reinforcement Finetuning [51.472854950300416]
  視覚的に多様なチャート画像を生成するデータセット生成パイプラインであるBigChartsを提案する。 純粋な合成データセットとは異なり、BigChartsは現実世界のデータを取り込んで、信頼性と視覚的多様性を保証する。 チャート推論に特化して設計された新たな報酬信号を導入することにより,モデルの堅牢性と一般化が促進される。
  論文  参考訳（メタデータ） (2025-08-13T13:39:17Z)
• RefChartQA: Grounding Visual Answer on Chart Images through Instruction Tuning [63.599057862999]
  RefChartQAは、Chart Question Answering(ChartQA)とビジュアルグラウンドを統合した、新しいベンチマークである。 実験により,グラウンド化による空間認識を取り入れることで,応答精度が15%以上向上することが実証された。
  論文  参考訳（メタデータ） (2025-03-29T15:50:08Z)
• ChartAssisstant: A Universal Chart Multimodal Language Model via Chart-to-Table Pre-training and Multitask Instruction Tuning [54.89249749894061]
  ChartAssistantは、ユニバーサルチャートの理解と推論のためのビジョン言語モデルである。 2段階のトレーニングプロセスを経て、チャートとテキストの調整のために、チャートからテーブルへのパースを事前トレーニングする。 実験により, 最先端UniChart法とChartllama法に比較して, 顕著な性能向上が得られた。
  論文  参考訳（メタデータ） (2024-01-04T17:51:48Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。