論文の概要: Few-Shot Cross-Subject Neural--Image Retrieval via Stimulus-Anchored Latent Bias Calibration
- arxiv url: http://arxiv.org/abs/2611.16257v1
- Date: Thu, 12 Nov 2026 03:57:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.355611
- Title: Few-Shot Cross-Subject Neural--Image Retrieval via Stimulus-Anchored Latent Bias Calibration
- Title(参考訳): Stimulus-Anchored Latent Bias Calibration を用いたFew-Shot Cross-ject Neural- Image Retrieval
- Abstract要約: クロスオブジェクト・ニューラル・イメージ検索は、いくつかの刺激にマッチしたターゲット観測の平均と、大域的なソース平均を比較しようとする。
Stimulus-Anchored Latent Bias (SA-LBC) を提案する。
- 参考スコア(独自算出の注目度): 7.3178245373391375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In cross-subject neural--image retrieval, comparing the mean of a few stimulus-matched target observations with the global source mean conflates subject-specific representation shifts with stimulus-composition effects. To address this problem, we propose Stimulus-Anchored Latent Bias Calibration (SA-LBC), which estimates the first-order shift under fixed preprocessing and a frozen source-trained representation by averaging residuals between target responses and same-stimulus source-population anchors, then shrinks the correction using source-derived uncertainty. Under uniform sampling without replacement from a finite stimulus population, we derive exact finite-population MSE expressions for the unshrunk anchored and global-mean estimators, including residual--anchor cross-covariance, and establish a necessary and sufficient condition for anchoring to reduce MSE relative to global-mean estimation. In a 10-subject leave-one-subject-out evaluation on THINGS-EEG2, SA-LBC increases mean reciprocal rank (MRR) for the Attention--CLIP ViT-B/32 configuration from 0.1867 without calibration to 0.2013 and 0.2336 with M=2 and M=16 stimulus-level calibration samples, respectively. Across six neural--visual configurations and all calibration budgets, stimulus-matched anchors yield higher MRR than anchors with shuffled stimulus identities, but retrieval gains over no calibration remain representation-dependent. At (M=2), shrinkage improves MRR over the unshrunk anchored estimator in all six configurations, but its effects at larger budgets vary across representations; the relative ranking of translation and orientation corrections also depends on regularization strength. Thus, lower shift-estimation MSE does not guarantee higher retrieval performance. The source code is publicly available at: https://github.com/Xizhang-Yao/SA-LBC.
- Abstract(参考訳): クロスオブジェクト・ニューラル・イメージ検索では、いくつかの刺激マッチングされたターゲット観測の平均と、大域的なソース平均とを比較して、被験者固有の表現シフトと刺激合成効果を比較した。
この問題を解決するために, 固定前処理における1次シフトを推定し, 目標応答と同刺激源集団アンカー間の残差を平均化し, 震源不確実性を用いて補正を縮小するStimulus-Anchored Latent Bias Calibration (SA-LBC)を提案する。
有限刺激群からの置き換えのない一様サンプリングでは, 残差-アンカー交叉共分散を含む非縮小アンカーおよび大域平均推定器に対して, MSE の正確な有限集団式を導出し, 大域平均推定と比較して MSE を減少させるために必要な条件を確立する。
THINGS-EEG2における10-subject leave-one-subject-out評価において、SA-LBCは、M=2とM=16の刺激レベルキャリブレーションサンプルで、キャリブレーションなしで0.1867から0.2336まで、アテンション-CLIP ViT-B/32構成の平均相反位(MRR)を増加させた。
6つのニューラル-視覚的構成と全てのキャリブレーション予算、刺激整合アンカーは、シャッフルされた刺激アイデンティティを持つアンカーよりもMRRが高いが、キャリブレーションなしの検索ゲインは表現依存のままである。
M=2)では、縮小は6つの構成のアンスロークアンカー推定器よりもMRRを改善するが、より大きな予算におけるその効果は表現によって異なり、翻訳と向きの補正の相対的なランク付けも正規化強度に依存する。
したがって、低いシフト推定MSEは高い検索性能を保証しない。
ソースコードはhttps://github.com/Xizhang-Yao/SA-LBCで公開されている。
関連論文リスト
- Incremental-Smoothing-Based ARAIM Protection Levels for Tightly Coupled GNSS/IMU Integration in Urban Canyons [13.57321740611105]
本稿では, FGO後部におけるARAIM溶液の分離とPLを定式化する。
固定ラグ情報行列の現在の状態ブロックのみに現在の擬似配列因子が入るため、断層除去された位置共分散、解分離、名目バイアス伝播は、線形化された状態境界から正確に従う。
ウッドベリーの更新は、選択出力評価によるこれらの量の計算を、故障のない、単一衛星、星座全体、および2階仮説に対して繰り返し全状態反転またはグラフ再最適化で行う。
論文 参考訳(メタデータ) (2026-10-23T07:15:45Z) - Robust Ensemble Guidance for Scientific Inverse Problems [100.58137337454754]
Robust Ensemble Guidance (REG) は、アンサンブル予測拡散を用いて観測スケールのバランスを保ち、極端に不一致な影響を制限するために標準化された残差を適応的にクリップする。
REGは3つの観測系で6.2-8.2dBのブラックホール再構成PSNRを増加させ、一致した予算比較でNavier-Stokes再構成誤差を26.4%削減する。
論文 参考訳(メタデータ) (2026-10-04T16:54:37Z) - Iterative Exact Discrete Guidance for Energy-Based Sampling [28.35783874661985]
Iterative Exact Discrete Guidance (IEDG) は、非正規化された離散目標に対する、集団的かつ軌跡的ガイダンスフレームワークである。
各段階は、電流源の増分ボルツマン傾きに対する段階的局所的後補正を学習する。
個体群最適では、正確なステージ後部が正しいリバースダイナミクスを回復し、その正確なシミュレーションはターゲット分布を再現する。
論文 参考訳(メタデータ) (2026-09-29T08:51:20Z) - TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。
しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。
凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。
MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
論文 参考訳(メタデータ) (2026-08-18T23:40:28Z) - Denoised Variance-Based Pruning with Optimal Brain Bias Compensation [45.88028371034407]
VBP(Variance-Based Pruning)は、ニューロンを活性化分散に基づいて選択することで有望なパラダイムを導入した。
Denoized Variance-based Pruning with Optimal Brain Bias Compensation (DVBP + OB$2$C)を紹介する。
最先端のトレーニングフリーのパフォーマンスを実現し、50%のプルーニングで、オリジナルのTop-1の精度の90%以上を維持できる。
論文 参考訳(メタデータ) (2026-08-18T11:23:49Z) - Adaptive Bregman Proximal Stochastic Gradient with a Stabilized Barzilai--Borwein Step Size [43.46286813814826]
Bregman finite proximal ergo gradient (BPSG) 法は、ユークリッドの滑らかさによって幾何が不十分な対象に分散還元された合成サイズをもたらす。
生の曲率推定は変動するが、行検索は繰り返し検索を追加する。
本稿では,スパース値と非負行列分解率を組み合わせた線探索手法であるAdaBPSGを紹介する。
論文 参考訳(メタデータ) (2026-08-12T12:46:05Z) - Convex-Hull-Neighborhood Smooth Dual Generalization: Controlling Local Correction Propagation in Offline RL [7.803284875836737]
ブートストラップは オフライン強化学習における 推定誤差を増幅する
本稿では,ベルマンのバックアップをサンプル値のターゲットとして表現し,CHN局所補正を行うConvex Hull Neborhood Smooth Dual Generalizationを提案する。
Gym-MuJoCoとAntMazeの実験は、強力な集約性能と安定した値推定を示す。
論文 参考訳(メタデータ) (2026-08-04T04:30:02Z) - PerturbMap: Cross-Context Transfer of Single-Cell Perturbation Responses [4.995659725914998]
本稿では、受信者-ローカルな低ランクベースと受理可能な提案を組み合わせることで、受信者-コンテキスト効果の欠落を予測するPerturbMapを提案する。
Perturb-CITE-seq melanoma cohortでは、PerturbMapはフルエフェクトMSEを4.1%改善する。
論文 参考訳(メタデータ) (2026-07-30T11:58:52Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳(メタデータ) (2026-07-07T10:10:00Z) - Noisy-Channel Minimum Bayes Risk Decoding [58.87954687016989]
最小ベイズリスク(MBR)復号化は、最大アフターイ復号化(MAP)よりも堅牢で高品質なテキスト生成をもたらす。
仮説選択は、与えられた擬似参照で条件付けられた期待された実用性スコアを計算する。
仮説-参照-参照-参照-仮説の方向性効果の両方を考慮することが重要である。
論文 参考訳(メタデータ) (2026-07-06T15:14:13Z) - Minimum-Risk Recalibration of Classifiers [9.31067660373791]
平均二乗誤差分解の枠組みにおいて,最小リスク再校正の概念を導入する。
校正分類器の転送には,スクラッチから再校正するのに比べて,ターゲットサンプルが著しく少ないことが示されている。
論文 参考訳(メタデータ) (2023-05-18T11:27:02Z)
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。