論文の概要: DeepFRC: An End-to-End Deep Learning Model for Functional Registration and Classification

• arxiv url: http://arxiv.org/abs/2501.18116v2
• Date: Sat, 17 May 2025 07:43:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.393614
• Title: DeepFRC: An End-to-End Deep Learning Model for Functional Registration and Classification
• Title（参考訳）: DeepFRC: 機能登録と分類のためのエンドツーエンドディープラーニングモデル
• Authors: Siyuan Jiang, Yihan Hu, Wenjie Li, Pengcheng Zeng,
• Abstract要約: 統合機能登録と分類のためのエンドツーエンドのディープラーニングフレームワークであるDeepFRCを紹介する。 DeepFRCは、クラス対応の弾性ワーピングと学習可能な基底表現を統一アーキテクチャに統合する。 我々は、アライメント品質と一般化誤差の間の最初の理論的関係を確立し、我々のモデルを合成および実世界のベンチマーク上で検証する。
• 参考スコア（独自算出の注目度）: 6.365405684671285
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Functional data - observations in the form of curves or trajectories - arise in diverse domains such as biomedical sensing, motion capture, and handwriting recognition. A core challenge in functional data analysis (FDA) is accounting for phase variability, where misaligned temporal patterns hinder accurate inference. We introduce DeepFRC, an end-to-end deep learning framework for joint functional registration and classification. Unlike conventional approaches that decouple alignment and prediction, DeepFRC integrates class-aware elastic warping and a learnable basis representation into a unified architecture. This design enables temporal alignment and dimensionality reduction to be jointly optimized with classification, improving both interpretability and accuracy. We establish the first theoretical connection between alignment quality and generalization error, and validate our model on synthetic and real-world benchmarks. DeepFRC consistently outperforms state-of-the-art methods, especially in scenarios with complex temporal misalignment. Code is available at: https://github.com/Drivergo-93589/DeepFRC.
• Abstract（参考訳）: 機能的データ - 曲線や軌跡の形での観察 - は、バイオメディカルセンシング、モーションキャプチャ、手書き認識などの様々な領域で発生する。 機能データ分析(FDA)における中核的な課題は、時間的パターンの不一致が正確な推論を妨げている位相可変性を説明することである。 統合機能登録と分類のためのエンドツーエンドのディープラーニングフレームワークであるDeepFRCを紹介する。 従来のアライメントと予測を分離するアプローチとは異なり、DeepFRCはクラス認識の弾性ワープと学習可能な基底表現を統一アーキテクチャに統合する。 この設計により、時間的アライメントと次元の低減を分類と共同で最適化し、解釈可能性と精度の両方を改善することができる。 我々は、アライメント品質と一般化誤差の間の最初の理論的関係を確立し、我々のモデルを合成および実世界のベンチマーク上で検証する。 DeepFRCは、特に複雑な時間的ミスアライメントのあるシナリオにおいて、最先端のメソッドを一貫して上回る。 コードは、https://github.com/Drivergo-93589/DeepFRCで入手できる。

関連論文リスト

• SDF-TopoNet: A Two-Stage Framework for Tubular Structure Segmentation via SDF Pre-training and Topology-Aware Fine-Tuning [2.3436632098950456]
  主な課題は、計算効率を維持しながら位相的正しさを確保することである。 改良されたトポロジ対応セグメンテーションフレームワークである textbfSDF-TopoNet を提案する。 SDF-TopoNetは, 位相的精度と定量的セグメンテーションの指標の両方において, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-14T23:54:38Z)
• Prior-Fitted Networks Scale to Larger Datasets When Treated as Weak Learners [82.72552644267724]
  BoostPFNは、大規模なデータセットでトレーニングサンプルと同じサイズで、標準的なPFNよりもパフォーマンスがよい。 高い性能はPFNのトレーニング前サイズの最大50倍まで維持される。
  論文  参考訳（メタデータ） (2025-03-03T07:31:40Z)
• Simulation-Free Training of Neural ODEs on Paired Data [20.36333430055869]
  我々は,NODEのシミュレーションフリートレーニングにフローマッチングフレームワークを用いる。 ペアデータ間で直接フローマッチングを適用することは、しばしば不定義のフローにつながることを示す。 データペアの埋め込み空間にフローマッチングを適用するための簡単な拡張を提案する。
  論文  参考訳（メタデータ） (2024-10-30T11:18:27Z)
• TemporalPaD: a reinforcement-learning framework for temporal feature representation and dimension reduction [10.765457133033435]
  この研究は、時間パターンデータセット用に設計された新しいエンドツーエンドのディープラーニングフレームワークであるTemporalPaDを紹介する。 フレームワークは、ポリシーモジュール、表現モジュール、分類モジュールの3つの協調モジュールで構成されている。 29のUCIデータセットを用いてTemporalPaDを総合的に評価した。
  論文  参考訳（メタデータ） (2024-09-27T09:56:20Z)
• Accelerating Large Language Model Pretraining via LFR Pedagogy: Learn, Focus, and Review [50.78587571704713]
  Learn-Focus-Review(LFR)は、モデルの学習進捗に適応する動的トレーニングアプローチである。 LFRは、データブロック(トークンのシーケンス)にわたるモデルの学習パフォーマンスを追跡し、データセットの困難な領域を再検討する。 フルデータセットでトレーニングされたベースラインモデルと比較して、LFRは一貫して低いパープレキシティと高い精度を達成した。
  論文  参考訳（メタデータ） (2024-09-10T00:59:18Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Distributed Gradient Descent for Functional Learning [9.81463654618448]
  我々は,カーネルヒルベルト空間を再現するフレームワークにおいて,多数のローカルマシン(プロセッサ)にまたがる関数データに取り組むために,分散勾配勾配関数学習(DGDFL)アルゴリズムを提案する。 軽度条件下では、DGDFLの信頼に基づく最適学習速度は、機能回帰における以前の研究で被った正則性指数の飽和境界を伴わずに得られる。
  論文  参考訳（メタデータ） (2023-05-12T12:15:42Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Feature space approximation for kernel-based supervised learning [2.653409741248232]
  目標は、トレーニングデータのサイズを減らし、ストレージ消費と計算の複雑さを減らすことだ。 完全トレーニングデータセットを含むデータ駆動予測の計算と比較して,大幅な改善が示された。 本手法は, 画像認識, システム識別, 海洋時系列解析などの異なる応用領域の分類と回帰問題に適用する。
  論文  参考訳（メタデータ） (2020-11-25T11:23:58Z)

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。