論文の概要: Source-Resolved Collective Cognition in Robotics: Mathematical Foundations for Multimodal and Collective Estimation, and Their Reach across the Cognition Loop

• arxiv url: http://arxiv.org/abs/2611.02693v1
• Date: Mon, 02 Nov 2026 07:43:10 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:11:13.206431
• Title: Source-Resolved Collective Cognition in Robotics: Mathematical Foundations for Multimodal and Collective Estimation, and Their Reach across the Cognition Loop
• Title（参考訳）: ロボティクスにおけるソース解決集合認識:マルチモーダル・集合推定のための数学的基礎と認知ループへの到達
• Abstract要約: 一般化特異値分解(GSVD)は、同じ未知に作用する2つの線型作用素を比較する中心的なツールである。 この基礎的な体積は、GSVDとその周辺の推定理論をゼロから構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The Generalized Singular Value Decomposition (GSVD) is a central tool for comparing two linear operators that act on the same unknown. Once the output metrics are fixed, it answers the basis-independent question "along which state directions does the first operator dominate the second, and by how much?". This foundational volume builds the GSVD and its surrounding estimation theory from the ground up. Part I re-derives every piece of linear algebra and statistical estimation machinery needed later -- inner products, the four subspaces, orthogonal matrices, the spectral theorem, quadratic forms, the ordinary SVD, Lie-group tangent perturbations, Jacobians, covariance, whitening, Fisher information, CCA, mutual information, discrimination criteria, and covariance intersection -- with self-contained derivations and worked numerical examples. Part II states the GSVD in both a transparent and a dimensionally general form, then proves it by two complementary routes. Part III works one small matrix pair through five different lenses, each computed by hand and verified numerically. Part IV separates information attribution, subspace geometry, statistical dependence, and decision-theoretic discrimination for collective systems. Part V evaluates the role and limits of the GSVD across the cognition loop. Part VI covers numerical practice, including a tested reference implementation. Every number printed in this document was verified in double precision. Where a statement is an assumption rather than a theorem, it is labelled as such.
• Abstract（参考訳）: 一般化特異値分解(GSVD)は、同じ未知に作用する2つの線型作用素を比較する中心的なツールである。 出力のメトリクスが固定されると、ベースに依存しない質問に答える。 この基礎的な体積は、GSVDとその周辺の推定理論をゼロから構築する。 内積、四部分空間、直交行列、スペクトル定理、二次形式、通常のSVD、リー群タンジェント摂動、ヤコビアン、共分散、ホワイトニング、フィッシャー情報、CAA、相互情報、識別基準、共分散交叉(英語版)などである。 パートIIは、GSVDを透明かつ次元的な一般形式の両方で記述し、2つの相補経路で証明する。 パートIIIは、5つの異なるレンズを通して1つの小さな行列対を動作させ、それぞれが手で計算され、数値的に検証される。 パートIVは、情報属性、部分空間幾何学、統計依存、および集団システムに対する決定論的識別を分離する。 第5部は認知ループにおけるGSVDの役割と限界を評価する。 第6部では、テストされた参照実装を含む数値的なプラクティスを取り上げている。 この文書に印刷された全ての数字は倍精度で検証された。 命題が定理ではなく仮定である場合、そのようにラベル付けされる。

関連論文リスト

• Kernel Singular Value Decomposition with Extension to Multiple Data Sources [8.108065693478025]
  カーネル特異値分解(KSVD)は、一対の特異ベクトル w.r.t. の非対称核行列を学習する。 我々はKSVDを複数のデータソース、すなわちeKSVDに拡張し、非対称カーネル上で共同非線形特徴学習を行う。
  論文  参考訳（メタデータ） (2026-10-02T12:32:21Z)
• Operator-Theoretic Generalization Bounds for Multitask Deep Learning [0.0254890465057467]
  深層多出力関数クラスに対する演算子理論の一般化境界を開発する。 Rademacher は可逆かつ拡張可能な射影型アーキテクチャの複雑さを導出する。
  論文  参考訳（メタデータ） (2026-08-17T00:36:57Z)
• Binary Expansion Group Intersection Network [7.546982882975851]
  条件独立性は条件予測の疎線型表現と等価であることを示す。 結果として得られるグラフは、二項相互作用の乗法群の交叉によってインデックスされる。 この視点は、データビットを原子として、局所的なBEGIN分子を大きなマルコフランダムフィールドの構成要素として扱う。
  論文  参考訳（メタデータ） (2026-03-25T19:37:01Z)
• Understanding Matrix Function Normalizations in Covariance Pooling through the Lens of Riemannian Geometry [63.694184882697435]
  グローバル共分散プーリング(GCP)は、高レベルの表現の2階統計を利用して、ディープニューラルネットワーク(DNN)の性能を向上させることが実証されている。 本稿では、リーマン幾何学の観点から行列対数とパワーの包括的かつ統一的な理解を提供する。
  論文  参考訳（メタデータ） (2024-07-15T07:11:44Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Causal Clustering for 1-Factor Measurement Models on Data with Various Types [0.0]
  テトラド制約は、FOFCのような潜伏変数の存在を検出する因果探索アルゴリズムを設計するために用いられる。 本稿では, 測定変数が混合データ型である場合, テトラド制約も適用可能であることを示す。 混合データに対するFOFCの性能はシミュレーション研究によって示され、類似した機能を持つアルゴリズムと比較される。
  論文  参考訳（メタデータ） (2020-09-18T03:15:14Z)

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。