論文の概要: Transition Graph Properties of Target Class Classification

• arxiv url: http://arxiv.org/abs/2403.15167v1
• Date: Fri, 22 Mar 2024 12:37:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 17:29:06.809426
• Title: Transition Graph Properties of Target Class Classification
• Title（参考訳）: ターゲットクラス分類の遷移グラフ特性
• Authors: Levon Aslanyan, Hasmik Sahakyan,
• Abstract要約: 本研究では,現実的な遷移グラフの構造について検討し,不整合の発見を可能にする。 本論文で考慮された動的治療体制の医学的解釈は,研究の枠組みをさらに明らかにしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Target class classification is a mixed classification and transition model whose integrated goal is to assign objects to a certain, so called target or normal class. The classification process is iterative, and in each step an object in a certain class undergoes an action attached to that class, initiating the transition of the object to one of the classes. The sequence of transitions, which we call class transitions, must be designed to provide the final assignment of objects to the target class. The transition process can be described in the form of a directed graph, and the success of the final classification is mainly due to the properties of this graph. In our previous research we showed that the desirable structure of the transition graph is an oriented rooted tree with orientation towards the root vertex, which corresponds to the normal class. It is clear that the transition graph of an arbitrary algorithm (policy) may not have this property. In this paper we study the structure of realistic transition graphs, which makes it possible to find classification inconsistencies, helping to transfer it into the desired form. The medical interpretation of dynamic treatment regime considered in the article further clarifies the investigated framework.
• Abstract（参考訳）: ターゲットクラス分類(Target class classification)は、特定のオブジェクトにオブジェクトを割り当てることが目的である混成分類と遷移モデルである。 分類プロセスは反復的であり、各ステップでは、あるクラスのオブジェクトがそのクラスにアタッチされたアクションを実行し、オブジェクトのクラスへの遷移を開始する。 クラストランジションと呼ばれるトランジションのシーケンスは、ターゲットクラスへのオブジェクトの最終割り当てを提供するように設計されなければなりません。 遷移過程は有向グラフの形で記述することができ、最終分類の成功は主に、このグラフの性質によるものである。 先程の研究では、遷移グラフの望ましい構造は、通常のクラスに対応するルート頂点への向きを持つ向き付けられたルートツリーであることを示した。 任意のアルゴリズム(政治)の遷移グラフがこの性質を持っていないことは明らかである。 本稿では, 現実的な遷移グラフの構造について検討し, 分類の不整合の発見を可能にし, 所望の形式への変換に役立てる。 本論文で考慮された動的治療体制の医学的解釈は,研究の枠組みをさらに明らかにしている。

関連論文リスト

• Accurate Explanation Model for Image Classifiers using Class Association Embedding [5.378105759529487]
  本稿では,グローバルな知識とローカルな知識の利点を組み合わせた生成的説明モデルを提案する。 クラスアソシエーション埋め込み(CAE)は、各サンプルを1組のクラス関連コードと個別コードにエンコードする。 クラス関連特徴を個々の特徴から効率的に分離するビルディングブロック・コヒーレンシー特徴抽出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-12T07:41:00Z)
• Invariant Graph Transformer [0.0]
  グラフ機械学習の文脈では、グラフ合理化はモデルの性能を高めることができる。 抽出された有理部分グラフの識別力を確保するために「干渉」と呼ばれる重要な手法が適用される。 本稿では,グラフデータに対する適切な介入戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-13T02:56:26Z)
• Iterative Scene Graph Generation [55.893695946885174]
  シーングラフ生成は、オブジェクトエンティティとその対応する相互作用述語を所定の画像(またはビデオ)で識別する。 シーングラフ生成への既存のアプローチは、推定イテレーションの実現を可能にするために、関節分布の特定の因子化を前提としている。 本稿では,この制限に対処する新しいフレームワークを提案するとともに,画像に動的条件付けを導入する。
  論文  参考訳（メタデータ） (2022-07-27T10:37:29Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Graph Adaptive Semantic Transfer for Cross-domain Sentiment Classification [68.06496970320595]
  クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。 本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-18T07:47:01Z)
• Graph Modularity: Towards Understanding the Cross-Layer Transition of Feature Representations in Deep Neural Networks [7.187240308034312]
  我々は、ディープニューラルネットワーク(DNN)における特徴表現の遷移を理解するための小さな一歩を踏み出した。 まず、中間層におけるクラス分離を解析し、次に、動的グラフにおけるコミュニティ進化としてクラス分離の過程をモデル化する。 モジュラリティは層が深くなるにつれて上昇する傾向にあるが、特定の層で隆起するか、あるいは隆起する傾向にある。
  論文  参考訳（メタデータ） (2021-11-24T13:29:17Z)
• Clustering and Structural Robustness in Causal Diagrams [1.9766522384767222]
  変数のクラスタリングは因果図のサイズを減らす自然な方法である。 我々は、因果効果の識別可能性特性を維持するために、トランジットクラスタと呼ばれる特定のタイプのクラスタを定義する。 このような構造的ロバスト性は、トランジットクラスタと密接に関連していることを示す。
  論文  参考訳（メタデータ） (2021-11-08T13:56:22Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• Class maps for visualizing classification results [0.0]
  分類法は、まず与えられたクラス(ラベル)でオブジェクトのトレーニングセットを処理する。 トレーニングデータやテストデータ上で得られた予測方法を実行すると、オブジェクトが与えられたラベルとは異なるクラスに横になっていると予測されることがある。 提案されたクラスマップは、オブジェクトが代替クラスに属する確率、それが与えられたクラスの他のオブジェクトからどれくらい離れているか、そしてあるオブジェクトがすべてのクラスから遠く離れているかどうかを反映している。
  論文  参考訳（メタデータ） (2020-07-28T21:27:15Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。