Fugu-MT 論文翻訳(概要): Hyperbolic Category Discovery

論文の概要: Hyperbolic Category Discovery

arxiv url: http://arxiv.org/abs/2504.06120v1
Date: Tue, 08 Apr 2025 15:12:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-09 13:29:37.361705
Title: Hyperbolic Category Discovery
Title（参考訳）: 双曲型カテゴリー発見
Authors: Yuanpei Liu, Zhenqi He, Kai Han,
Abstract要約: Generalized Category Discovery (GCD) は、既知のクラスや未知のクラスに属するかに関わらず、未ラベルのサブセット内のすべてのイメージを分類することを目的としている。 GCDのための階層認識表現と分類器を学習するためのハイパーボリックフレームワークを提案する。
参考スコア（独自算出の注目度）: 12.654574453480635
License:
Abstract: Generalized Category Discovery (GCD) is an intriguing open-world problem that has garnered increasing attention. Given a dataset that includes both labelled and unlabelled images, GCD aims to categorize all images in the unlabelled subset, regardless of whether they belong to known or unknown classes. In GCD, the common practice typically involves applying a spherical projection operator at the end of the self-supervised pretrained backbone, operating within Euclidean or spherical space. However, both of these spaces have been shown to be suboptimal for encoding samples that possesses hierarchical structures. In contrast, hyperbolic space exhibits exponential volume growth relative to radius, making it inherently strong at capturing the hierarchical structure of samples from both seen and unseen categories. Therefore, we propose to tackle the category discovery challenge in the hyperbolic space. We introduce HypCD, a simple \underline{Hyp}erbolic framework for learning hierarchy-aware representations and classifiers for generalized \underline{C}ategory \underline{D}iscovery. HypCD first transforms the Euclidean embedding space of the backbone network into hyperbolic space, facilitating subsequent representation and classification learning by considering both hyperbolic distance and the angle between samples. This approach is particularly helpful for knowledge transfer from known to unknown categories in GCD. We thoroughly evaluate HypCD on public GCD benchmarks, by applying it to various baseline and state-of-the-art methods, consistently achieving significant improvements.
Abstract（参考訳）: Generalized Category Discovery (GCD)は興味深いオープンワールド問題であり、注目を集めている。ラベル付き画像と非ラベル付き画像の両方を含むデータセットを前提として、GCDは、既知のクラスか未知のクラスかに関わらず、すべての画像を未ラベルサブセットに分類することを目的としている。 GCDでは、一般的には、自己監督された事前訓練されたバックボーンの端に球面射影作用素を適用し、ユークリッド空間または球面空間内で操作する。しかし、これらの空間はどちらも階層構造を持つサンプルの符号化に最適であることが示されている。対照的に、双曲空間は半径に対して指数的な体積成長を示しており、本質的には、見かけと見えないカテゴリーの両方から標本の階層構造を捉えるのに強い。そこで我々は,双曲空間におけるカテゴリー発見問題に取り組むことを提案する。 HypCD(HypCD)は、階層認識表現と一般化された \underline{C}ategory \underline{D}iscovery のための分類器を学習するための単純な \underline{Hyp}erbolic フレームワークである。 HypCDはまず、バックボーンネットワークのユークリッド埋め込み空間を双曲空間に変換し、双曲距離とサンプル間の角度の両方を考慮して、その後の表現と分類学習を容易にする。このアプローチは、GCDの既知のカテゴリから未知のカテゴリへの知識伝達に特に有用である。我々はHypCDを公開GCDベンチマークで徹底的に評価し、様々なベースラインや最先端の手法に適用し、一貫して大幅な改善を実現した。

関連論文リスト

Generalized Class Discovery in Instance Segmentation [7.400926717561454]
擬似ラベルに対するコントラスト学習とクラス信頼性基準のためのインスタンス単位温度割当(ITA)手法を提案する。提案手法は,COCO$_half$ + LVIS と LVIS + Visual Genome の2つの設定で実験を行うことにより評価した。
論文参考訳（メタデータ） (2025-02-12T06:26:05Z)
Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
論文参考訳（メタデータ） (2024-10-24T23:51:40Z)
Generalized Categories Discovery for Long-tailed Recognition [8.69033435074757]
一般化されたクラスディスカバリは、既知のカテゴリと未知のカテゴリの両方をラベルのないデータセットから識別する上で重要な役割を果たす。我々の研究は、長い尾の一般カテゴリー発見(Long-tailed GCD)パラダイムに焦点をあてて、この断線を橋渡ししようと試みています。長い尾を持つGCDがもたらす特異な課題に対応するため、2つの戦略正則化に固定された頑健な方法論を提案する。
論文参考訳（メタデータ） (2023-12-04T09:21:30Z)
Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-30T00:32:47Z)
OpenGCD: Assisting Open World Recognition with Generalized Category Discovery [4.600906853436266]
望ましいオープンワールド認識(OWR)システムは、3つのタスクを実行する必要がある。上記の問題を逐次解決するために,3つの鍵となるアイデアを組み合わせたOpenGCDを提案する。 2つの標準分類ベンチマークと挑戦的なデータセットの実験は、OpenGCDが優れた互換性を提供するだけでなく、他のベースラインを大幅に上回っていることを示している。
論文参考訳（メタデータ） (2023-08-14T04:10:45Z)
Federated Classification in Hyperbolic Spaces via Secure Aggregation of Convex Hulls [35.327709607897944]
我々は,Poincareディスク用の凸SVM分類器の分散バージョンを開発した。双曲空間における凸殻の複雑さを計算し,データ漏洩の程度を評価する。本手法は, 階層的な単一細胞RNA-seqデータを含む, 多様なデータ集合を用いて, 異なるレポジトリに分散した患者から抽出した。
論文参考訳（メタデータ） (2023-08-14T02:25:48Z)
Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-30T14:04:39Z)
HieNet: Bidirectional Hierarchy Framework for Automated ICD Coding [2.9373912230684573]
International Classification of Diseases (ICD) は、医学記録の分類コードである。本研究では,その課題に対処する新しい双方向階層フレームワーク(HieNet)を提案する。具体的には、コードのコリレーションをキャプチャするパーソナライズされたPageRankルーチンと、コードの階層的表現をキャプチャする双方向階層パスエンコーダと、予測のセマンティック検索空間を狭めるプログレッシブ予測手法を提案する。
論文参考訳（メタデータ） (2022-12-09T14:51:12Z)
Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:47:11Z)
Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-25T03:54:53Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。