論文の概要: A Fully Hyperbolic Neural Model for Hierarchical Multi-Class
Classification
- arxiv url: http://arxiv.org/abs/2010.02053v1
- Date: Mon, 5 Oct 2020 14:42:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 21:32:12.126637
- Title: A Fully Hyperbolic Neural Model for Hierarchical Multi-Class
Classification
- Title(参考訳): 階層型マルチクラス分類のための完全双曲型ニューラルモデル
- Authors: Federico L\'opez, Michael Strube
- Abstract要約: 双曲空間は、記号データの階層的表現を学ぶために数学的に魅力的なアプローチを提供する。
本研究は,双曲空間におけるすべての操作を実行する多クラス多ラベル分類のための完全双曲モデルを提案する。
徹底的な分析では、最終予測における各コンポーネントの影響に光を当て、ユークリッド層との統合の容易さを示している。
- 参考スコア(独自算出の注目度): 7.8176853587105075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Label inventories for fine-grained entity typing have grown in size and
complexity. Nonetheless, they exhibit a hierarchical structure. Hyperbolic
spaces offer a mathematically appealing approach for learning hierarchical
representations of symbolic data. However, it is not clear how to integrate
hyperbolic components into downstream tasks. This is the first work that
proposes a fully hyperbolic model for multi-class multi-label classification,
which performs all operations in hyperbolic space. We evaluate the proposed
model on two challenging datasets and compare to different baselines that
operate under Euclidean assumptions. Our hyperbolic model infers the latent
hierarchy from the class distribution, captures implicit hyponymic relations in
the inventory, and shows performance on par with state-of-the-art methods on
fine-grained classification with remarkable reduction of the parameter size. A
thorough analysis sheds light on the impact of each component in the final
prediction and showcases its ease of integration with Euclidean layers.
- Abstract(参考訳): きめ細かいエンティティタイピングのためのラベル在庫は、サイズと複雑さが増している。
それにもかかわらず、それらは階層構造を示す。
双曲空間は、記号データの階層表現を学ぶ数学的に魅力的なアプローチを提供する。
しかし、ハイパーボリックコンポーネントを下流タスクに統合する方法は明らかになっていない。
これは、双曲空間におけるすべての演算を実行するマルチクラスマルチラベル分類のための完全双曲モデルを提案する最初の仕事である。
提案モデルを2つの課題データセット上で評価し,ユークリッド仮定の下で動作する異なるベースラインと比較する。
双曲モデルは,クラス分布から潜在階層を推定し,インベントリ内の暗黙の低調関係を捉え,パラメータサイズを著しく削減した細粒度分類における最先端法と同等の性能を示す。
詳細な分析は、最終予測における各コンポーネントの影響に光を当て、ユークリッド層との統合の容易さを示す。
関連論文リスト
- Hyperbolic Random Forests [15.900200515661707]
我々は、よく知られたランダムな森林を双曲空間に一般化する。
ホロスフィアを用いて分割の概念を再定義することでこれを実現できる。
また、最小の共通祖先に基づくクラスと、大マルジン損失のクラスバランスバージョンを結合する新しい手法についても概説する。
論文 参考訳(メタデータ) (2023-08-25T10:01:53Z) - HMSN: Hyperbolic Self-Supervised Learning by Clustering with Ideal
Prototypes [7.665392786787577]
プロトタイプに基づくクラスタリング手法の自己教師付き表現学習には,双曲表現空間を用いる。
我々はMasked Siamese Networksを拡張し、双曲空間のPoincar'eボールモデルで操作する。
従来の手法とは異なり、エンコーダネットワークの出力における双曲空間に投影し、双曲投影ヘッドを利用して、下流タスクに使用される表現が双曲的であることを保証する。
論文 参考訳(メタデータ) (2023-05-18T12:38:40Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - Bringing motion taxonomies to continuous domains via GPLVM on hyperbolic
manifolds [8.90516015248695]
人間の動きは、人間の動きと環境との相互作用の仕方を分類する高レベルの階層的抽象化として機能する。
階層と下位のカテゴリの設計に多大な努力を払っているにも関わらず、その使用は限られている。
これは、分類学の離散的階層構造と、そのカテゴリに関連する高次元の不均一なデータの間のギャップを埋める計算モデルが欠如していることに起因する可能性がある。
論文 参考訳(メタデータ) (2022-10-04T15:19:24Z) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-25T03:54:53Z) - Contrastive Multi-view Hyperbolic Hierarchical Clustering [33.050054725595736]
対比多視点ハイパーボリック階層クラスタリング(CMHHC)を提案する。
マルチビューアライメント学習、アライメントされた特徴類似学習、連続的な双曲的階層的クラスタリングという3つのコンポーネントで構成されている。
5つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2022-05-05T12:56:55Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳(メタデータ) (2022-04-18T06:11:44Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳(メタデータ) (2021-10-31T16:15:09Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳(メタデータ) (2021-03-25T09:31:41Z) - MAIRE -- A Model-Agnostic Interpretable Rule Extraction Procedure for
Explaining Classifiers [5.02231401459109]
本稿では,モデルに依存しない人間の解釈可能なルールを抽出し,分類器の出力を説明する新しい枠組みを提案する。
フレームワークはモデル非依存であり、任意の分類器に適用でき、すべての属性(連続、順序、順序なしの離散を含む)を適用できる。
論文 参考訳(メタデータ) (2020-11-03T06:53:06Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z)
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。