論文の概要: A Framework for Standardizing Similarity Measures in a Rapidly Evolving Field
- arxiv url: http://arxiv.org/abs/2409.18333v1
- Date: Thu, 26 Sep 2024 23:14:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 07:00:37.276368
- Title: A Framework for Standardizing Similarity Measures in a Rapidly Evolving Field
- Title（参考訳）: 急速に発展する分野における類似度対策の標準化のための枠組み
- Authors: Nathan Cloos, Guangyu Robert Yang, Christopher J. Cueva,
- Abstract要約: 類似度測定は、人工システムと生物学的システムのアライメントを定量化する基本的なツールである。
類似度尺度の多様性と命名・実施規則の多様性は、研究全体を比較するのを困難にしている。
本稿では,類似度対策を独自かつ効率的に特定することを目的とした命名規則の開発,検証,精錬のための枠組みを提案する。
- 参考スコア（独自算出の注目度）: 2.0072624123275533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Similarity measures are fundamental tools for quantifying the alignment between artificial and biological systems. However, the diversity of similarity measures and their varied naming and implementation conventions makes it challenging to compare across studies. To facilitate comparisons and make explicit the implementation choices underlying a given code package, we have created and are continuing to develop a Python repository that benchmarks and standardizes similarity measures. The goal of creating a consistent naming convention that uniquely and efficiently specifies a similarity measure is not trivial as, for example, even commonly used methods like Centered Kernel Alignment (CKA) have at least 12 different variations, and this number will likely continue to grow as the field evolves. For this reason, we do not advocate for a fixed, definitive naming convention. The landscape of similarity measures and best practices will continue to change and so we see our current repository, which incorporates approximately 100 different similarity measures from 14 packages, as providing a useful tool at this snapshot in time. To accommodate the evolution of the field we present a framework for developing, validating, and refining naming conventions with the goal of uniquely and efficiently specifying similarity measures, ultimately making it easier for the community to make comparisons across studies.
- Abstract（参考訳）: 類似度測定は、人工システムと生物学的システムのアライメントを定量化する基本的なツールである。
しかし、類似度尺度の多様性と命名・実施規則の多様性は、研究全体の比較を困難にしている。
比較を容易にし、与えられたコードパッケージの基盤となる実装の選択を明確にするために、私たちは類似度をベンチマークし標準化するPythonリポジトリを開発し続けています。
例えば、CKA(Centered Kernel Alignment)のような一般的な手法でさえ、少なくとも12種類のバリエーションがあり、フィールドが進化するにつれて、この数は増え続けるだろう。
そのため、我々は固定された決定的な命名規則を提唱しない。
類似度測定とベストプラクティスの展望は今後も変わり続けるので、現在のリポジトリには14のパッケージから約100種類の類似度測定が組み込まれています。
フィールドの進化に対応するため,命名規則の開発,検証,精錬を行う枠組みを,類似度対策を独自かつ効率的に特定する目的で提案する。
関連論文リスト
- LTSim: Layout Transportation-based Similarity Measure for Evaluating Layout Generation [16.936872796841527]
レイアウト生成の結果を評価するために,レイアウト類似度尺度を導入する。
本稿では, 要素のより柔軟なマッチングを容易にする最適輸送に基づく新しい類似度尺度を提案する。
FIDが一般的に使用される非条件レイアウト生成のようなタスクに対しては、コレクションレベルの類似性を扱うために、我々の測度を拡張します。
論文 参考訳（メタデータ） (2024-07-17T07:21:44Z) - Differentiable Optimization of Similarity Scores Between Models and Brains [1.5391321019692434]
線形回帰、CKA(Centered Kernel Alignment)、正規化バーレス類似度(NBS)、角状プロクリスト距離といった類似度は、この類似度を定量化するためにしばしば用いられる。
本稿では、類似度の高いスコアと「良い」スコアを構成するスコアについて調査する新しいツールについて紹介する。
驚くべきことに、高い類似度スコアは、ニューラルデータと整合した方法でタスク関連情報を符号化することを保証していない。
論文 参考訳（メタデータ） (2024-07-09T17:31:47Z) - Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。
既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。
本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-09T13:26:21Z) - Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID [57.500045584556794]
均質かつ不均一なインスタンスレベルの構造を同時に説明できるModality-Unified Label Transfer (MULT) モジュールを導入する。
提案したMULTは、生成した擬似ラベルがモダリティ間の整合性を維持しつつ、モダリティ内の構造的整合性を維持することを保証する。
実験の結果,提案手法は既存のUSL-VI-ReID法よりも優れていた。
論文 参考訳（メタデータ） (2024-02-01T15:33:17Z) - Automatic Design of Semantic Similarity Ensembles Using Grammatical Evolution [0.0]
単一の意味的類似度尺度はすべてのタスクに最も適しており、研究者はパフォーマンスを確保するためにアンサンブル戦略を使うことが多い。
本研究は,意味的類似性アンサンブルを自動設計する手法を提案する。
提案手法は,人的判断の相関を最大化するアンサンブルを作成するために,まず,候補のプールから測度を自動的に選択・集約するために文法的進化を利用する。
論文 参考訳（メタデータ） (2023-07-03T10:53:05Z) - DeepSec: Deciding Equivalence Properties for Security Protocols -- Improved theory and practice [8.735998284944436]
我々はこの検証問題の理論と実践に貢献する。
静的同値、トレース同値およびラベル付き二相性のための新しい複雑性結果を確立する。
我々の手順は、多種多様な暗号プリミティブに対して、トレース同値とラベル付き二相性を決定する最初の方法である。
論文 参考訳（メタデータ） (2022-11-06T22:01:04Z) - SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic
Segmentation [52.62441404064957]
ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインでトレーニングされたモデルを利用することで、ラベル付きターゲットドメイン上で満足のいく密度の予測を試みる。
多くの手法は、ノイズの多い擬似ラベルを緩和する傾向があるが、類似のセマンティックな概念を持つクロスドメインピクセル間の固有の接続を無視する。
本稿では,個々の画素のセマンティックな概念を強調する一段階適応フレームワークSePiCoを提案する。
論文 参考訳（メタデータ） (2022-04-19T11:16:29Z) - Seeking Similarities over Differences: Similarity-based Domain Alignment
for Adaptive Object Detection [86.98573522894961]
本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。
具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。
類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
論文 参考訳（メタデータ） (2021-10-04T13:09:56Z) - Instance Similarity Learning for Unsupervised Feature Representation [83.31011038813459]
教師なし特徴表現のための例類似性学習(ISL)手法を提案する。
我々はGAN(Generative Adversarial Networks)を用いて、基礎となる特徴多様体をマイニングする。
画像分類実験は, 最先端手法と比較して, 提案手法の優位性を示した。
論文 参考訳（メタデータ） (2021-08-05T16:42:06Z) - A Taxonomy of Similarity Metrics for Markov Decision Processes [62.997667081978825]
近年、伝達学習は強化学習(RL)アルゴリズムをより効率的にすることに成功した。
本稿では,これらの指標を分類し,これまでに提案されている類似性の定義を分析する。
論文 参考訳（メタデータ） (2021-03-08T12:36:42Z) - Disentangled Multidimensional Metric Learning for Music Similarity [36.74680586571013]
音楽類似性検索は、同じ「フィール」で1つの録音を別の録音に置き換えるのに有用である
音楽の類似性は定義が難しく、類似性の複数の同時概念に依存している。
我々は多次元類似性の概念を導入し、グローバルおよび特殊類似性メトリクスを単一のメートル法に統一する。
論文 参考訳（メタデータ） (2020-08-09T13:04:25Z)
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。