T-REGS: 自己教師学習のための最小全域木正則化

自己教師学習（SSL）は、ラベル付けのないデータから表現を学習する強力な手法として注目されています。本研究では、最小全域木（MST）の長さを基にしたT-REGSという新しい正則化フレームワークを提案します。T-REGSは、学習した特徴が低次元に収束する現象（次元崩壊）を回避し、分布の均一性を向上させることを目的としています。理論的な分析から、T-REGSは任意のコンパクトなリーマン多様体上でこれらの特性を同時に改善できることを示しています。合成データ及び従来のSSLベンチマークにおける実験により、このアプローチが表現の質を向上させる有効性が実証されています。