[論文レビュー] CORDS: Continuous Representations of Discrete Structures
CORDSは変動サイズの集合の予測を連続的で可逆的な推論問題として扱い、集合を密度と特徴場にエンコードして、離散的な集合へ正確にデコード可能な形で表現する。
Many learning problems require predicting sets of objects when the number of objects is not known beforehand. Examples include object detection, molecular modeling, and scientific inference tasks such as astrophysical source detection. Existing methods often rely on padded representations or must explicitly infer the set size, which often poses challenges. We present a novel strategy for addressing this challenge by casting prediction of variable-sized sets as a continuous inference problem. Our approach, CORDS (Continuous Representations of Discrete Structures), provides an invertible mapping that transforms a set of spatial objects into continuous fields: a density field that encodes object locations and count, and a feature field that carries their attributes over the same support. Because the mapping is invertible, models operate entirely in field space while remaining exactly decodable to discrete sets. We evaluate CORDS across molecular generation and regression, object detection, simulation-based inference, and a mathematical task involving recovery of local maxima, demonstrating robust handling of unknown set sizes with competitive accuracy.
研究の動機と目的
- セットサイズを事前指定したりパディングを使わずに、可変サイズの集合の予測に対処する。
- セットから連続場への可逆写像を提供し、学習を場（フィールド）空間内で完結させる。
- 分子生成、物体検出、シミュレーションベースの推論、数理回復タスクを横断して適用可能性を示す。
提案手法
- 空間オブジェクトの離散的集合を密度場（場所と個数）と特徴場（属性）へ同じサポート上で変換する可逆写像を定義する。
- 離散集合ではなく場空間でモデルを動作させ、元の集合へ正確にデコード可能であることを保証する。
- 分子生成と回帰、物体検出、シミュレーションベースの推論、局所最大値を含む数理回復タスクを含む複数ドメインでアプローチを評価する。
実験結果
リサーチクエスチョン
- RQ1変数サイズの集合を、明示的な集合サイズやパディングを使わずに連続場表現で正確に予測できるか。
- RQ2可逆な場空間写像は多様なタスクで離散集合を正確に回復するのか。
- RQ3未知の集合サイズを含むタスクで、従来のパディング表現と比べてCORDSはどう機能するか。
主な発見
- CORDSは離散集合から連続密度場および特徴場への可逆的な写像を提供する。
- 場空間で訓練されたモデルは離散集合へ正確にデコード可能である。
- 分子生成と回帰、物体検出、シミュレーションベースの推論、数理タスクを跨いで評価され、未知サイズの堅牢な処理と競争力のある精度を示す。
より良い研究を、今すぐ始めましょう
論文設計から論文執筆まで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。