Fugu-MT 論文翻訳(概要): Information Fusion: Scaling Subspace-Driven Approaches

論文の概要: Information Fusion: Scaling Subspace-Driven Approaches

arxiv url: http://arxiv.org/abs/2204.12035v1
Date: Tue, 26 Apr 2022 02:16:01 GMT
ステータス: 処理完了
システム内更新日: 2022-04-28 00:11:56.492030
Title: Information Fusion: Scaling Subspace-Driven Approaches
Title（参考訳）: 情報融合:サブスペース駆動アプローチのスケーリング
Authors: Sally Ghanem, and Hamid Krim
Abstract要約: 我々は、畳み込みニューラルネットワーク(CNN)形式を用いて、情報のグループ部分空間分布を強固に活用するために、マルチモーダルデータの深い構造を利用する。 Deep Multimodal Robust Group Subspace Clustering (DRoGSuRe) と呼ばれるこの手法は、独立に開発されたDeep Multimodal Subspace Clustering (DMSC) と比較される。
参考スコア（独自算出の注目度）: 16.85310886805588
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we seek to exploit the deep structure of multi-modal data to robustly exploit the group subspace distribution of the information using the Convolutional Neural Network (CNN) formalism. Upon unfolding the set of subspaces constituting each data modality, and learning their corresponding encoders, an optimized integration of the generated inherent information is carried out to yield a characterization of various classes. Referred to as deep Multimodal Robust Group Subspace Clustering (DRoGSuRe), this approach is compared against the independently developed state-of-the-art approach named Deep Multimodal Subspace Clustering (DMSC). Experiments on different multimodal datasets show that our approach is competitive and more robust in the presence of noise.
Abstract（参考訳）: 本研究では,畳み込みニューラルネットワーク(CNN)の形式化を用いて,マルチモーダルデータの深部構造を利用して情報のグループ部分空間分布を強固に活用する。各データモダリティを構成する部分空間の集合を展開し、対応するエンコーダを学習することで、生成された固有情報の最適化統合を行い、様々なクラスの特徴付けを行う。 deep multimodal robust group subspace clustering (drgsure) と呼ばれるこのアプローチは、独立に開発されたdeep multimodal subspace clustering (dmsc) と呼ばれる最先端のアプローチと比較される。異なるマルチモーダルデータセットの実験は、ノイズの存在下での我々のアプローチが競争力があり、より堅牢であることを示している。

関連論文リスト

FedFusion: Manifold Driven Federated Learning for Multi-satellite and Multi-modality Fusion [30.909597853659506]
本稿では,各クライアント上の局所データをランダムにサンプリングし,各クライアントの浅い特徴の顕著な多様体構造を共同で推定する,多様体駆動多モード融合フレームワークであるFedFusionを提案する。衛星コンステレーションの物理空間制限を考慮し、深層潜伏空間における多様体データに特化して設計されたマルチモーダル・フェデレーション学習モジュールを開発した。提案フレームワークは,従来の3つのマルチモーダルデータセットの性能を上回り,通信コストを4.5%圧縮しながら,分類平均精度94.35$%を実現している。
論文参考訳（メタデータ） (2023-11-16T03:29:19Z)
Preserving Modality Structure Improves Multi-Modal Learning [64.10085674834252]
大規模マルチモーダルデータセットによる自己教師付き学習は、人間のアノテーションに頼ることなく、意味的に意味のある埋め込みを学ぶことができる。これらの手法は、モダリティ固有の埋め込みに存在する意味構造を無視して、ドメイン外のデータをうまく一般化するのに苦労することが多い。共同埋め込み空間におけるモダリティ特異的な関係を保ち, 一般化性を向上させるためのセマンティック・構造保存整合性アプローチを提案する。
論文参考訳（メタデータ） (2023-08-24T20:46:48Z)
Multimodal Learning Without Labeled Multimodal Data: Guarantees and Applications [90.6849884683226]
ラベル付き単調データのみを用いた半教師付き環境における相互作用定量化の課題について検討する。相互作用の正確な情報理論的定義を用いて、我々の重要な貢献は下界と上界の導出である。本稿では、これらの理論結果を用いてマルチモーダルモデルの性能を推定し、データ収集をガイドし、様々なタスクに対して適切なマルチモーダルモデルを選択する方法について述べる。
論文参考訳（メタデータ） (2023-06-07T15:44:53Z)
Align and Attend: Multimodal Summarization with Dual Contrastive Losses [57.83012574678091]
マルチモーダル要約の目標は、異なるモーダルから最も重要な情報を抽出し、出力要約を形成することである。既存の手法では、異なるモダリティ間の時間的対応の活用に失敗し、異なるサンプル間の本質的な相関を無視する。 A2Summ(Align and Attend Multimodal Summarization)は、マルチモーダル入力を効果的に整列し、参加できる統一型マルチモーダルトランスフォーマーモデルである。
論文参考訳（メタデータ） (2023-03-13T17:01:42Z)
Subspace-Contrastive Multi-View Clustering [0.0]
本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
論文参考訳（メタデータ） (2022-10-13T07:19:37Z)
Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文参考訳（メタデータ） (2022-02-10T06:23:56Z)
A Multiscale Environment for Learning by Diffusion [9.619814126465206]
本稿では,Multiscale Environment for Learning by Diffusion (MELD)データモデルを提案する。本稿では,MELDデータモデルがデータ中の潜在的マルチスケール構造を正確に把握し,解析を容易にすることを示す。多くの実データセットで観測されるマルチスケール構造を効率的に学習するために,教師なし拡散(M-LUND)クラスタリングアルゴリズムを導入する。
論文参考訳（メタデータ） (2021-01-31T17:46:19Z)
Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
論文参考訳（メタデータ） (2020-11-10T09:53:20Z)
Robust Group Subspace Recovery: A New Approach for Multi-Modality Data Fusion [18.202825916298437]
本稿では,グループ間隔に基づく新しいマルチモーダルデータ融合手法を提案する。提案手法は、異なるモダリティデータ間の構造的依存関係を利用して、関連する対象オブジェクトをクラスタ化する。得られたUoS構造を用いて、新たに観測されたデータポイントを分類し、提案手法の抽象化能力を強調する。
論文参考訳（メタデータ） (2020-06-18T16:31:31Z)
Survey on Deep Multi-modal Data Analytics: Collaboration, Rivalry and Fusion [6.225190099424806]
マルチモーダルまたはマルチビューデータは、各モーダル/ビューがデータオブジェクトの個々のプロパティをエンコードする、ビッグデータの主要なストリームとして急増している。既存の最先端技術のほとんどは、より優れたパフォーマンスを実現するために、マルチモーダル空間からのエネルギーや情報を融合する方法に重点を置いている。ディープニューラルネットワークは、高次元マルチメディアデータの非線形分布をうまく捉えるための強力なアーキテクチャとして現れてきた。
論文参考訳（メタデータ） (2020-06-15T06:42:04Z)
Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
本稿では,最適コンセンサスを近似する凝集分析法を提案する。本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
論文参考訳（メタデータ） (2020-05-12T05:39:10Z)

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。