論文の概要: Deep ARTMAP: Generalized Hierarchical Learning with Adaptive Resonance Theory

• arxiv url: http://arxiv.org/abs/2503.07641v1
• Date: Wed, 05 Mar 2025 22:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:46:34.518593
• Title: Deep ARTMAP: Generalized Hierarchical Learning with Adaptive Resonance Theory
• Title（参考訳）: Deep ARTMAP:適応共振理論を用いた階層型学習
• Authors: Niklas M. Melton, Leonardo Enzo Brito da Silva, Sasha Petrenko, Donald. C. Wunsch II,
• Abstract要約: Deep ARTMAPは、自己一貫性のあるモジュラARTアーキテクチャを一般化したARTMAPアーキテクチャの新たな拡張である。 Deep ARTMAPは分割クラスタリング機構として動作し、各モジュール内でカスタマイズ可能な粒度を持つ任意の数のモジュールをサポートする。 柔軟性が大幅に向上し、幅広いデータ変換と学習モダリティが利用できる。
• 参考スコア（独自算出の注目度）: 0.3374875022248865
• License:
• Abstract: This paper presents Deep ARTMAP, a novel extension of the ARTMAP architecture that generalizes the self-consistent modular ART (SMART) architecture to enable hierarchical learning (supervised and unsupervised) across arbitrary transformations of data. The Deep ARTMAP framework operates as a divisive clustering mechanism, supporting an arbitrary number of modules with customizable granularity within each module. Inter-ART modules regulate the clustering at each layer, permitting unsupervised learning while enforcing a one-to-many mapping from clusters in one layer to the next. While Deep ARTMAP reduces to both ARTMAP and SMART in particular configurations, it offers significantly enhanced flexibility, accommodating a broader range of data transformations and learning modalities.
• Abstract（参考訳）: 本稿では,ARTMAPアーキテクチャの新たな拡張であるDeep ARTMAPを提案する。 Deep ARTMAPフレームワークは、分割クラスタリング機構として機能し、各モジュール内でカスタマイズ可能な粒度を持つ任意の数のモジュールをサポートする。 ARTモジュールは各レイヤでのクラスタリングを規制し、教師なしの学習を可能にすると同時に、ひとつのレイヤ内のクラスタから次のレイヤへの1対1のマッピングを実行する。 Deep ARTMAPはARTMAPとSMARTの両方の設定に還元されるが、柔軟性が大幅に向上し、幅広いデータ変換や学習モダリティが利用できる。

関連論文リスト

• Multi-Level Optimal Transport for Universal Cross-Tokenizer Knowledge Distillation on Language Models [81.74999702045339]
  マルチレベル最適輸送(MultiLevelOT)は、普遍的なクロストケナイザー知識蒸留のための最適な輸送を促進する新しいアプローチである。 本手法は,教師と生徒のロジット分布をトークンレベルとシーケンスレベルの両方で整列する。 トークンレベルでは、MultiLevelOTはグローバルとローカルの両方の情報を統合する。
  論文  参考訳（メタデータ） (2024-12-19T04:51:06Z)
• Adaptive Large Language Models By Layerwise Attention Shortcuts [46.76681147411957]
  LLMライクなセットアップにより、最終レイヤはアテンションメカニズムを通じて適合すると考えられるすべての中間レイヤに出席することができる。 音響トークン,自然言語,シンボリック音楽の4つの異なるデータセットを紹介し,GPTアーキテクチャの優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-09-17T03:46:01Z)
• Beyond Pixels: Semi-Supervised Semantic Segmentation with a Multi-scale Patch-based Multi-Label Classifier [37.02049053586457]
  マルチスケールパッチベースマルチラベル(MPMC)を導入する。 MPMCはパッチレベルの監視を提供し、パッチ内の異なるクラスのピクセル領域の識別を可能にする。 MPMCは、教師のうるさい疑似ラベル監督の影響を軽減するためにパッチレベルの分類を用いて、適応的な擬似ラベル重みを学習する。
  論文  参考訳（メタデータ） (2024-07-04T16:21:29Z)
• Multi-view Contrastive Learning for Entity Typing over Knowledge Graphs [25.399684403558553]
  知識グラフ・エンティティ・タイピング(MCLET)のためのマルチビューコントラスト学習法を提案する。 MCLETはクラスタが提供する粗い知識をエンティティや型埋め込みに効果的にエンコードする。
  論文  参考訳（メタデータ） (2023-10-18T14:41:09Z)
• Hierarchical Spatio-Temporal Representation Learning for Gait Recognition [6.877671230651998]
  歩行認識は、個人を独自の歩行スタイルで識別する生体計測技術である。 粗いものから細かいものまで歩行特徴を抽出する階層的時間的表現学習フレームワークを提案する。 本手法は,モデル精度と複雑性の適切なバランスを維持しつつ,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2023-07-19T09:30:00Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering [51.62959830761789]
  クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。 CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。 異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
  論文  参考訳（メタデータ） (2021-01-18T05:21:59Z)
• Neural Function Modules with Sparse Arguments: A Dynamic Approach to Integrating Information across Layers [84.57980167400513]
  Neural Function Modules (NFM)は、ディープラーニングに同じ構造機能を導入することを目的としている。 トップダウンとボトムアップのフィードバックを組み合わせたフィードフォワードネットワークのコンテキストにおける作業のほとんどは、分類の問題に限られている。 私たちの仕事の重要な貢献は、フレキシブルなアルゴリズムで注意、疎結合、トップダウン、ボトムアップのフィードバックを組み合わせることです。
  論文  参考訳（メタデータ） (2020-10-15T20:43:17Z)
• Learning Propagation Rules for Attribution Map Generation [146.71503336770886]
  本稿では,属性マップを生成する専用手法を提案する。 具体的には,各ピクセルに対して適応的な伝搬規則を可能にする学習可能なプラグインモジュールを提案する。 導入された学習可能なモジュールは、高階差分サポートを備えた任意のオートグレードフレームワークでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-10-14T16:23:58Z)

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。