論文の概要: Riemannian Patch Assignment Gradient Flows

• arxiv url: http://arxiv.org/abs/2504.13024v1
• Date: Thu, 17 Apr 2025 15:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:36:43.197597
• Title: Riemannian Patch Assignment Gradient Flows
• Title（参考訳）: リーマンパッチ割当勾配流れ
• Authors: Daniel Gonzalez-Alvarado, Fabio Schlindwein, Jonas Cassel, Laura Steingruber, Stefania Petra, Christoph Schnörr,
• Abstract要約: 本稿では,グラフ上のメトリックデータラベリングのためのパッチ代入フローを提案する。 ラベリングは、ラベルとラベルの代入の両方の動的相互作用によって、初期ローカルラベリングを規則化することによって決定される。
• 参考スコア（独自算出の注目度）: 1.715270928578365
• License:
• Abstract: This paper introduces patch assignment flows for metric data labeling on graphs. Labelings are determined by regularizing initial local labelings through the dynamic interaction of both labels and label assignments across the graph, entirely encoded by a dictionary of competing labeled patches and mediated by patch assignment variables. Maximal consistency of patch assignments is achieved by geometric numerical integration of a Riemannian ascent flow, as critical point of a Lagrangian action functional. Experiments illustrate properties of the approach, including uncertainty quantification of label assignments.
• Abstract（参考訳）: 本稿では,グラフ上のメトリックデータラベリングのためのパッチ代入フローを提案する。 ラベリングは、グラフ全体にわたるラベルとラベルの代入の動的相互作用を通じて初期ローカルラベリングを規則化し、競合するラベリングパッチの辞書によって完全にエンコードされ、パッチの代入変数によって仲介される。 パッチ割り当ての最大整合性は、ラグランジアン作用関数の臨界点としてリーマン上昇流の幾何学的数値積分によって達成される。 実験では、ラベル割り当ての不確かさの定量化を含むアプローチの特性が説明されている。

関連論文リスト

• Optimized 3D Point Labeling with Leaders Using the Beams Displacement Method [14.377997862577182]
  リーダーレーベルは、ポジション・コンフィギュレーションにおいて大きな自由を持っている。 我々は,地図変位問題の解法に類似したラベル位置の動的構成過程を概念化する。
  論文  参考訳（メタデータ） (2024-06-28T01:31:37Z)
• Posterior Label Smoothing for Node Classification [2.737276507021477]
  本稿では,トランスダクティブノード分類タスクに対して,単純かつ効果的なラベル平滑化を提案する。 本研究では, ソフトラベルを設計し, 周辺ラベル分布を通じて対象ノードの局所的コンテキストをカプセル化する。 以下の分析結果から,大域的なラベル統計を後続計算に組み込むことが,ラベル平滑化の成功の鍵であることが判明した。
  論文  参考訳（メタデータ） (2024-06-01T11:59:49Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• Influence Functions for Sequence Tagging Models [49.81774968547377]
  影響関数を拡張して、予測を学習ポイントまで追跡し、それらに通知します。 本手法を用いて,系統的アノテーションの誤りを同定し,セグメント効果の実用性を示す。
  論文  参考訳（メタデータ） (2022-10-25T17:13:11Z)
• Label Distribution Learning via Implicit Distribution Representation [12.402054374952485]
  本稿では,ラベル分布学習フレームワークにおける暗黙分布を導入し,ラベル値の不確かさを特徴付ける。 具体的には、深い暗黙的表現学習を用いて、ガウス的事前制約を持つラベル分布行列を構築する。 ラベル分布行列の各行成分は、自己アテンションアルゴリズムを用いて標準ラベル分布形式に変換される。
  論文  参考訳（メタデータ） (2022-09-28T04:13:53Z)
• Multi-label Classification with High-rank and High-order Label Correlations [62.39748565407201]
  従来の手法では, ラベル行列を低ランク行列係数化した潜在ラベル空間に変換することにより, 高階ラベル相関を捕えることができた。 本稿では,高次ラベル相関を明示的に記述する簡易かつ効果的な手法を提案し,同時にラベル行列の高次値を維持する。 12個のベンチマークデータセットの比較研究により,マルチラベル分類における提案アルゴリズムの有効性が検証された。
  論文  参考訳（メタデータ） (2022-07-09T05:15:31Z)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• Why Propagate Alone? Parallel Use of Labels and Features on Graphs [42.01561812621306]
  グラフニューラルネットワーク(GNN)とラベル伝搬は、ノード特性予測などのタスクにおいてグラフ構造を利用するように設計された2つの相互関連モデリング戦略を表す。 ラベルのトリックを2つの要因からなる解釈可能な決定論的学習目標に還元できることを示す。
  論文  参考訳（メタデータ） (2021-10-14T07:34:11Z)
• GRACE: Gradient Harmonized and Cascaded Labeling for Aspect-based Sentiment Analysis [90.43089622630258]
  本稿では、これらの問題を解決するために、GRACE(GRadient hArmonized and CascadEd labeling model)を提案する。 提案モデルでは,複数のベンチマークデータセットの整合性向上を実現し,最先端の結果を生成する。
  論文  参考訳（メタデータ） (2020-09-22T13:55:34Z)
• Assignment Flows for Data Labeling on Graphs: Convergence and Stability [69.68068088508505]
  本稿では、連続時間割当フローを積分代入(ラベル)に収束させることを保証する重みパラメータの条件を確立する。 いくつかの反例は、条件違反は、文脈データ分類に関する代入フローの好ましくない振る舞いを伴う可能性があることを示している。
  論文  参考訳（メタデータ） (2020-02-26T15:45:38Z)

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。