論文の概要: C$^3$DG: Conditional Domain Generalization for Hyperspectral Imagery Classification with Convergence and Constrained-risk Theories
- arxiv url: http://arxiv.org/abs/2407.04100v1
- Date: Thu, 4 Jul 2024 18:03:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 15:20:13.622079
- Title: C$^3$DG: Conditional Domain Generalization for Hyperspectral Imagery Classification with Convergence and Constrained-risk Theories
- Title（参考訳）: C$3$DG:収束と制約付きリスク理論を用いたハイパースペクトル画像分類のための条件付き領域一般化
- Authors: Zhe Gao, Bin Pan, Zhenwei Shi,
- Abstract要約: ハイパースペクトル画像(HSI)分類は、ハイパースペクトルモノスペクトルの課題である。
共同空間スペクトル特徴抽出はこの問題に対する一般的な解法である。
本稿では,収束性および誤差制約付き条件付き領域一般化法を提案する。
- 参考スコア（独自算出の注目度）: 23.21421412818663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral imagery (HSI) classification may suffer the challenge of hyperspectral-monospectra, where different classes present similar spectra. Joint spatial-spectral feature extraction is a popular solution for the problem, but this strategy tends to inflate accuracy since test pixels may exist in training patches. Domain generalization methods show promising potential, but they still fail to distinguish similar spectra across varying domains, in addition, the theoretical support is usually ignored. In this paper, we only rely on spectral information to solve the hyperspectral-monospectra problem, and propose a Convergence and Error-Constrained Conditional Domain Generalization method for Hyperspectral Imagery Classification (C$^3$DG). The major contributions of this paper include two aspects: the Conditional Revising Inference Block (CRIB), and the corresponding theories for model convergence and generalization errors. CRIB is the kernel structure of the proposed method, which employs a shared encoder and multi-branch decoders to fully leverage the conditional distribution during training, achieving a decoupling that aligns with the generation mechanisms of HSI. Moreover, to ensure model convergence and maintain controllable error, we propose the optimization convergence theorem and risk upper bound theorem. In the optimization convergence theorem, we ensure the model convergence by demonstrating that the gradients of the loss terms are not contradictory. In the risk upper bound theorem, our theoretical analysis explores the relationship between test-time training and recent related work to establish a concrete bound for error. Experimental results on three benchmark datasets indicate the superiority of C$^3$DG.
- Abstract（参考訳）: ハイパースペクトル画像(HSI)分類は、異なるクラスが類似したスペクトルを呈するハイパースペクトルモノスペクトルの課題に直面する可能性がある。
共同空間スペクトル特徴抽出はこの問題に対する一般的な解法であるが、この戦略は、テストピクセルがトレーニングパッチに存在する可能性があるため、精度を向上する傾向がある。
領域一般化法は有望なポテンシャルを示すが、異なる領域間で類似したスペクトルを区別することができず、理論的な支持は通常無視される。
本稿では,ハイパースペクトル・モノスペクトル問題を解決するためのスペクトル情報のみに頼り,ハイパースペクトル画像分類のための収束・誤り制約条件付き領域一般化法(C$^3$DG)を提案する。
本論文の主な貢献は,条件付き修正推論ブロック(CRIB)と,モデル収束と一般化誤差に関する対応する理論である。
CRIBは、共有エンコーダとマルチブランチデコーダを用いて、トレーニング中に条件分布を完全に活用し、HSIの生成機構と整合したデカップリングを実現する。
さらに、モデル収束を確実にし、制御可能な誤差を維持するために、最適化収束定理とリスク上限定理を提案する。
最適化収束定理では、損失項の勾配が矛盾しないことを示すことによってモデル収束を保証する。
リスク・アッパーバウンドの定理では,テストタイム・トレーニングと最近の関連研究との関係を考察し,具体的なエラー境界を確立する。
3つのベンチマークデータセットの実験結果は,C$^3$DGの優位性を示している。
関連論文リスト
- Domain Adaptation with Cauchy-Schwarz Divergence [39.36943882475589]
教師なし領域適応(UDA)問題にコーシー=シュワルツの発散を導入する。
CS発散は、Kulback-Leibler発散よりも理論上より厳密な一般化誤差を提供する。
距離距離測定および対角訓練に基づくUDAフレームワークにおいて,CSのばらつきが有用であることを示す。
論文 参考訳（メタデータ） (2024-05-30T12:01:12Z) - A Unified Theory of Stochastic Proximal Point Methods without Smoothness [52.30944052987393]
近点法はその数値的安定性と不完全なチューニングに対する頑健性からかなりの関心を集めている。
本稿では,近位点法(SPPM)の幅広いバリエーションの包括的解析について述べる。
論文 参考訳（メタデータ） (2024-05-24T21:09:19Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳（メタデータ） (2021-09-24T14:48:20Z) - Conditional Bures Metric for Domain Adaptation [14.528711361447712]
教師なしドメイン適応(UDA)は近年広く注目を集めている。
従来のUDA法では、ラベル分布の識別情報を無視しながら、異なるドメインの限界分布がシフトしていると仮定していた。
本研究では,現在の条件不変モデルに大きな関心を持つ条件分布シフト問題に焦点をあてる。
論文 参考訳（メタデータ） (2021-07-31T18:06:31Z) - Stochastic Gradient Descent-Ascent and Consensus Optimization for Smooth
Games: Convergence Analysis under Expected Co-coercivity [49.66890309455787]
本稿では,SGDA と SCO の最終的な収束保証として,期待されるコヒーレンシティ条件を導入し,その利点を説明する。
定常的なステップサイズを用いた場合、両手法の線形収束性を解の近傍に証明する。
我々の収束保証は任意のサンプリングパラダイムの下で保たれ、ミニバッチの複雑さに関する洞察を与える。
論文 参考訳（メタデータ） (2021-06-30T18:32:46Z) - Spatially relaxed inference on high-dimensional linear models [48.989769153211995]
本研究では,空間的に制約されたクラスタリング,統計的推論,アンサンブルを組み合わせ,複数のクラスタリング推論解を集約するアンサンブルクラスタリング推論アルゴリズムの特性について検討する。
アンサンブルクラスタ推論アルゴリズムは,最大クラスター径に等しい$delta$-FWERの標準仮定で$delta$-FWERを制御することを示す。
論文 参考訳（メタデータ） (2021-06-04T16:37:19Z) - Exact Gap between Generalization Error and Uniform Convergence in Random
Feature Models [12.588676054808044]
古典的統一収束境界とゼロトレーニングエラー予測器(インターポレータ)の実際のテスト誤差との間に大きなギャップがあることを示した。
本モデルでは,3量の解析式を導出し,証明する。
古典的一様収束境界が空である設定($infty$に分割)において、補間器上の一様収束は依然として解を補間するテスト誤差の非自明な境界を与える。
論文 参考訳（メタデータ） (2021-03-08T05:20:36Z) - A Wigner-Eckart Theorem for Group Equivariant Convolution Kernels [16.143012623830792]
群同変畳み込みネットワーク(GCNN)は、追加の対称性を持つ古典的畳み込みネットワークを提供する。
GCNNの理論的記述の最近の進歩により、そのようなモデルは一般にGステアブルカーネルとの畳み込みとして解釈できることが明らかとなった。
論文 参考訳（メタデータ） (2020-10-21T12:42:23Z) - Beyond $\mathcal{H}$-Divergence: Domain Adaptation Theory With
Jensen-Shannon Divergence [21.295136514836788]
広範に評価された経験的ドメイン逆行訓練と,$mathcalH$-divergenceに基づく理論上の相似性を明らかにする。
我々は,Jensen-Shannon分散に基づく上層および下層ターゲットのリスク境界を直接証明することによって,新たな理論的枠組みを確立する。
論文 参考訳（メタデータ） (2020-07-30T16:19:59Z)
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。